ÄquivalenztestGibt es ein Äquivalenztestverfahren, das mit kategorialen Daten verwendet werden kann (dh sowohl unabhängige Variablen als auch abhängige Variablen sind kategorial)?
Eine nominelle logistische Eignung für die Fruchtbarkeit, beeinflusst durch hormonelles Verfahren, Laktation und Alterskategorie, zeigt keine Statistik. sig. beeinflussen. Ich hatte den Eindruck, dass es unangemessen wäre, zu dem Schluss zu kommen, dass es keinen Unterschied zwischen den Mittelwerten gibt, es sei denn, wir verwenden einen Äquivalenztestvergleich, der eine solche Behauptung statistisch validiert (?).
Danke vielmals!
Betreff: ÄquivalenztestWie sich herausstellt, bietet JMP Äquivalenztests (unter mehreren Vergleichen) in der Generalized Regression-Plattform, wenn Sie über JMP Pro verfügen. Ich möchte nur Peters Argument betonen, dass das Testen von Hypothesen auf einen Unterschied oder auf Äquivalenz sehr unterschiedlich ist. Ihre Wahl hängt ganz davon ab, was Sie testen (Alternativhypothese). Wenn Sie die nominelle logistische Regression zum Testen auf Assoziationen verwendet und keine gefunden haben, sind Sie fertig. Sie müssen keine statistisch signifikante Äquivalenz nachweisen.
Wenn Sie dieses Ergebnis überrascht, dann liegt es vielleicht an der Stärke der Studie.
Betreff: ÄquivalenztestIm Allgemeinen klingt es so, als würden Sie die beiden analytischen Konzepte des Äquivalenztests und des Hypothesentests verwechseln. Das sind zwei sehr unterschiedliche Arten von Entscheidungen. Hypothesentests beweisen nie etwas mit Sicherheit. Alles, was man tun kann, ist, die Nullhypothese unter bestimmten vorgeschriebenen Bedingungen wie Alpha-Risiko für eine bestimmte Stichprobengröße usw. entweder abzulehnen oder nicht abzulehnen. Nein, in keiner dieser beiden Schlussfolgerungen ist der Begriff der Äquivalenz abgedeckt . Äquivalenztests sind ein völlig anderer Analyseansatz.
Es gibt einige verschiedene Arten von Äquivalenztests, die in verschiedenen Kontexten verwendet werden. Mein Kollege @Mark_Bailey hat zum Beispiel ein nettes JMP-Skript in diesen Bereich geschrieben:
https://community.jmp.com/t5/JMP-Scripts/Test-for-Parameter-Equivalence/ta-p/29375/jump-to/first-unread-message
Darüber hinaus ist es in einer Biotech-Umgebung häufig üblich, nichtlineare Modelle an Daten anzupassen, und in diesem Zusammenhang werden verschiedene Arten von „Äquivalenztests“ verwendet. Diese werden in der Fit Curve-Plattform von JMP unterstützt:
http://www.jmp.com/support/help/13-2/Equivalence_Test_2.shtml
Betreff: ÄquivalenztestNun, die Nullhypothese ist, dass es keinen Unterschied gibt, und davon gehen wir aus, bis wir überzeugende Beweise für das Gegenteil vorweisen können.Das ist nicht dasselbe wie zu sagen, dass Sie starke Beweise für die Nullhypothese geliefert haben, also haben Sie in dieser Hinsicht Recht.Wenn es also ausreicht zu sagen, dass es keine ausreichenden Beweise gibt, um zu zeigen, dass hormonelles Verfahren, Laktation und Alterskategorie einen Einfluss auf die Fruchtbarkeit haben, dann sind Sie fertig.
Wenn Sie nachweisen müssen, dass die Effekte so gering sind, dass sie praktisch vernachlässigbar sind, dann wäre etwas Analoges zu einem Äquivalenztest für kategoriale Daten erforderlich.
Sie können dies effektiv tun, indem Sie sich die Konfidenzintervalle für jeden Ihrer Modellterme ansehen.Wenn sie alle in einem Bereich liegen, den Sie für praktisch vernachlässigbar halten, können Sie die Art von Schlussfolgerung ziehen, nach der Sie suchen.Ich denke jedoch, dass es schwierig sein könnte, einen Bereich zu finden, den Sie für praktisch vernachlässigbar halten, wenn Sie über Effektgrößen im Logit-Raum sprechen.
