Test d'équivalenceExiste-t-il une procédure de test d'équivalence qui peut être utilisée avec des données catégorielles (c'est-à-dire que les variables indépendantes et les variables dépendantes 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. sig. influence. 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 tests d'équivalence qui valide statistiquement une telle affirmation (?).
Merci beaucoup!
Re: Test d'équivalenceIl s'avère que JMP propose des tests d'équivalence (sous comparaisons multiples) dans la plateforme 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 n’en trouviez aucune, alors vous avez terminé. Vous n'avez pas besoin de montrer une équivalence statistiquement significative.
Si ce résultat vous surprend, c’est peut-être une question de puissance dans l’étude.
Re: 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 qui est permis est soit de rejeter, soit de rejeter l'hypothèse nulle dans un certain ensemble de conditions prescrites telles que le risque alpha, pour une taille d'échantillon donnée, etc. Nulle part dans l'une ou l'autre de ces deux conclusions la notion d'équivalence n'est couverte. . Les tests d'équivalence sont 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 contexte biotechnologique, l'ajustement de modèles non linéaires aux données est courant et différents types de « tests d'équivalence » sont utilisés dans ce contexte. Ceux-ci sont pris en charge dans la plateforme Fit Curve de JMP :
http://www.jmp.com/support/help/13-2/Equivalence_Test_2.shtml
Re: 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 le contraire de manière convaincante.Cela ne revient pas à dire que vous avez fourni des preuves solides en faveur 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 démontrant que le processus hormonal, la lactation et la catégorie d'âge ont un effet sur la fertilité, alors vous avez terminé.
Si vous devez 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 de vos termes de modèle.S'ils sont tous contenus dans une plage que vous jugeriez pratiquement négligeable, vous pouvez alors tirer le genre de conclusion que vous recherchez.Cependant, je pense que trouver une plage que vous jugeriez pratiquement négligeable pourrait être un peu difficile lorsque vous parlez de tailles d'effet dans l'espace logit.
