ÄquivalenztestGibt es ein Äquivalenztestverfahren, das mit kategorialen Daten verwendet werden kann (dh sowohl unabhängige Variablen als auch abhängige Variablen sind kategorial)?
Eine nominelle logistische Anpassung der Fruchtbarkeit, abhängig vom Hormonsystem, der Laktation und der Altersgruppe, zeigt keine Statistik. sign. 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 bestätigt (?).
Vielen Dank!
Betreff: ÄquivalenztestWie sich herausstellt, bietet JMP Äquivalenztests (durch mehrere Vergleiche) in der Generalized Regression-Plattform an, wenn Sie über JMP Pro verfügen. Ich möchte nur Peters Standpunkt betonen, dass Hypothesentests auf einen Unterschied oder auf Äquivalenz sehr unterschiedlich sind. Ihre Wahl hängt ganz davon ab, worauf Sie testen (Alternativhypothese). Wenn Sie die nominale logistische Regression zum Testen auf Assoziationen verwendet und keine gefunden haben, dann sind Sie fertig. Sie müssen keine statistisch signifikante Äquivalenz nachweisen.
Wenn Sie dieses Ergebnis überrascht, dann liegt es vielleicht an der Aussagekraft der Studie.
Betreff: ÄquivalenztestIm Allgemeinen scheint es, als würden Sie die beiden analytischen Konzepte Äquivalenztest und Hypothesentest verwechseln. Das sind zwei sehr unterschiedliche Arten von Entscheidungen. Das Testen von Hypothesen beweist niemals 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. In keiner dieser beiden Schlussfolgerungen wird der Begriff der Äquivalenz abgedeckt . Äquivalenztests sind ein völlig anderer Analyseansatz.
Es gibt verschiedene Arten von Äquivalenztests, die in unterschiedlichen Kontexten eingesetzt werden. Mein Kollege @Mark_Bailey hat zum Beispiel ein schönes JMP-Skript in diesem 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 im biotechnologischen Umfeld 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 besagt, dass es keinen Unterschied gibt, und davon gehen wir aus, bis wir überzeugende Beweise für das Gegenteil vorlegen können.Das ist nicht dasselbe wie zu sagen, dass Sie überzeugende Beweise für die Nullhypothese geliefert haben, also haben Sie in dieser Hinsicht Recht.Wenn es also ausreicht, zu sagen, dass es keine ausreichenden Beweise dafür gibt, dass hormonelle Prozesse, Laktation und Altersgruppe einen Einfluss auf die Fruchtbarkeit haben, dann ist das erledigt.
Wenn Sie nachweisen müssen, dass die Auswirkungen so gering sind, dass sie praktisch vernachlässigbar sind, wäre etwas Analoges zu einem Äquivalenztest für kategoriale Daten erforderlich.
Sie können dies effektiv erreichen, indem Sie sich die Konfidenzintervalle für jeden Ihrer Modellterme ansehen.Wenn sie alle in einem Bereich liegen, den Sie für praktisch vernachlässigbar halten würden, können Sie die gewünschte Schlussfolgerung ziehen.Allerdings denke ich, dass es ziemlich schwierig sein könnte, einen Bereich zu finden, den man praktisch für vernachlässigbar halten würde, wenn man über Effektgrößen im Logit-Bereich spricht.
