等效性检验是否有可用于分类数据的等价检验程序（即自变量和因变量都是分类数据）？
受激素程序、哺乳期和年龄类别影响的生育力的名义逻辑拟合显示没有统计数据。签名。影响。 我的印象是，除非我们采用等价检验比较来统计验证此类声明（？），否则得出均值之间没有差异的结论是不合适的。
非常感谢！
回复：等价测试事实证明，如果您有 JMP Pro，JMP 在广义回归平台中提供等价测试（在多重比较下）。 我只想强调彼得的观点，即对差异或等价的假设检验是非常不同的。 您的选择完全取决于您要测试的内容（替代假设）。 如果您使用名义逻辑回归来测试关联但没有发现任何关联，那么您就完成了。 您不需要显示具有统计意义的等效性。
如果您对这个结果感到惊讶，那么也许这与研究的力量有关。
回复：等价测试一般来说，听起来您可能会混淆等价检验和假设检验这两个分析概念。 这是两种截然不同的决定。 假设检验永远不能肯定地证明任何事情。 对于给定的样本量等，在特定规定的一组条件（例如阿尔法风险）下，所有允许做的就是拒绝或拒绝拒绝原假设。这两个结论中的任何一个都没有涵盖等价的概念. 等效性测试是一种完全不同的分析方法。
有几种不同类型的等效测试用于不同的上下文。 我的同事@Mark_Bailey例如在这个空间写了一个很好的 JMP 脚本：
https://community.jmp.com/t5/JMP-Scripts/Test-for-Parameter-Equivalence/ta-p/29375/jump-to/first-unread-message
此外，通常在生物技术环境中，将非线性模型拟合到数据是很常见的，并且在这种情况下使用了不同类型的“等效性测试”。 这些在 JMP 的拟合曲线平台中受支持：
http://www.jmp.com/support/help/13-2/Equivalence_Test_2.shtml
回复：等价测试好吧，零假设是没有区别，这就是我们假设的，直到我们能够证明相反的令人信服的证据。这与说您为零假设提供了强有力的证据不同，所以您在这方面是对的。所以，如果说没有足够的证据表明荷尔蒙程序、哺乳期和年龄类别对生育能力有影响就足够了，那么你就完成了。
如果您需要证明影响是如此之小以至于它们实际上可以忽略不计，那么类似于对分类数据进行等价测试的东西是必要的。
您可以通过查看每个模型项的置信区间来有效地做到这一点。如果它们都包含在您认为几乎可以忽略不计的某个范围内，那么您可以得出您正在寻找的那种结论。但是，当您谈论 logit 空间中的效果大小时，我认为提出一个您认为几乎可以忽略不计的范围可能有点困难。
