Test d'équivalenceExiste-t-il une procédure de test d'équivalence pouvant être utilisée avec des données catégorielles (c'est-à-dire que les variables indépendantes et la variable dépendante sont catégorielles) ?
Un ajustement logistique nominal pour la fertilité, influencé par la procédure hormonale, la lactation et la catégorie d'âge, ne montre aucune statistique. sign. rayonnement. J'avais l'impression qu'il serait inapproprié de conclure qu'il n'y a pas de différence entre les moyennes à moins que nous n'utilisions une comparaison de test d'équivalence qui valide statistiquement une telle affirmation (?).
Merci beaucoup!
Objet : Test d'équivalenceIl s'avère que JMP fournit des tests d'équivalence (sous plusieurs comparaisons) dans la plate-forme de régression généralisée, si vous disposez de JMP Pro. Je veux juste souligner le point de Peter selon lequel les tests d'hypothèse pour une différence ou pour une équivalence sont très différents. Votre choix dépend entièrement de ce que vous testez (hypothèse alternative). Si vous utilisiez la régression logistique nominale pour tester les associations et que vous n'en trouviez aucune, alors vous avez terminé. Vous n'avez pas besoin de montrer une équivalence statistiquement significative.
Si vous êtes surpris par ce résultat, c'est peut-être une question de puissance dans l'étude.
Objet : Test d'équivalenceDe manière générale, il semble que vous confondiez les deux concepts analytiques de test d'équivalence et de test d'hypothèse. Ce sont deux types de décisions très différents. Les tests d'hypothèses ne prouvent jamais rien avec certitude. Tout ce que l'on peut faire est de rejeter ou d'échouer à rejeter l'hypothèse nulle sous un certain ensemble de conditions prescrites telles que le risque alpha, pour une taille d'échantillon donnée, etc. . Le test d'équivalence est une approche analytique complètement différente.
Il existe différents types de tests d'équivalence qui sont utilisés dans différents contextes. Mon collègue @Mark_Bailey par exemple a écrit un joli script JMP dans cet espace :
https://community.jmp.com/t5/JMP-Scripts/Test-for-Parameter-Equivalence/ta-p/29375/jump-to/first-unread-message
De plus, souvent dans un environnement biotechnologique, l'ajustement de modèles non linéaires aux données est courant et il existe différents types de « tests d'équivalence » utilisés dans ce contexte. Celles-ci sont prises en charge dans la plate-forme Fit Curve de JMP :
http://www.jmp.com/support/help/13-2/Equivalence_Test_2.shtml
Objet : Test d'équivalenceEh bien, l'hypothèse nulle est qu'il n'y a pas de différence, et c'est ce que nous supposons jusqu'à ce que nous puissions démontrer une preuve convaincante du contraire.Ce n'est pas la même chose que de dire que vous avez fourni des preuves solides de l'hypothèse nulle, vous avez donc raison à cet égard.Donc, s'il suffit de dire qu'il n'y a pas suffisamment de preuves pour montrer que la procédure hormonale, la lactation et la catégorie d'âge ont un effet sur la fertilité, alors vous avez terminé.
Si vous avez besoin de démontrer que les effets sont si faibles qu'ils sont pratiquement négligeables, alors quelque chose d'analogue à un test d'équivalence pour les données catégorielles serait nécessaire.
Vous pouvez le faire efficacement en examinant les intervalles de confiance pour chacun des termes de votre modèle.S'ils sont tous contenus dans une fourchette que vous jugerez pratiquement négligeable, vous pouvez tirer le type de conclusion que vous recherchez.Cependant, je pense que trouver une plage que vous jugerez pratiquement négligeable pourrait être un peu difficile lorsque vous parlez de tailles d'effet dans l'espace logit.
