Unterschiedliche Arten von Mittelwertvergleichen führen zu unterschiedlichen Ergebnissen; Warum ?Hallo liebe Gemeinde,
Ich vergleiche die Mittelwerte von drei (kleinen) Stichproben. Ich habe drei Gruppen (A, B, C). Wenn ich sie in zwei Schritten vergleiche (A mit B, B mit C), erhalte ich eine signifikante mittlere Differenz gemäß t-Test und gepooltem t-Test.
Wenn ich jedoch gleichzeitig einen Vergleich für A, B und C mit "Each pair Student's t" durchführe, erhalte ich keinen signifikanten Unterschied.
(Beispiel ist als Bild beigefügt).
Könnte mir bitte jemand helfen, die Theorie hinter dem Unterschied in den Ergebnissen zu verstehen?
Vielen Dank !
AndereBetreff: Unterschiedliche Arten von Mittelwertvergleichen führen zu unterschiedlichen Ergebnissen; Warum ?Ich danke Ihnen allen sehr für Ihre Antworten. Sie halfen mir, die Unterschiede zu verstehen und gaben mir neue Ideen, wie ich die Daten analysieren kann. Ich werde eine Lösung "akzeptieren", aber offensichtlich sind alle Antworten komplementär. Vielen Dank an alle und einen schönen Tag!
Betreff: Unterschiedliche Arten von Mittelwertvergleichen führen zu unterschiedlichen Ergebnissen; Warum ?Ich vermute, dass die Annahmen unterschiedlich sind. Anscheinend haben Sie die Ebenennamen maskiert, und ich bin mir nicht sicher, ob Sie während der Maskierung Fehler gemacht haben. Ich werde 4 Zahlen in Ihren Screenshots hervorheben und hoffe, dass sie einander entsprechen (z. B. an der Oberfläche zeigt die zweite ANOVA -1,5 zwischen B / C, und es gibt eine 1,5 in LSD, aber es scheint A / zu sein C, also bin ich mir nicht sicher).
Ich möchte darauf hinweisen, dass die Werte der Differenzen gleich sind, die Standardfehler der Differenzen jedoch unterschiedlich sind. In der ANOVA gibt es Anmerkungen: Annahme gleicher Varianzen. Bei LSD-Vergleichen sehe ich in der Dokumentation keine explizite Aussage über Annahmen von gleichen oder ungleichen Varianzen, aber ich glaube, dass die Annahme ungleiche Varianzen sind. Einzelheiten zur Berechnung des Standardfehlers finden Sie auf dieser Seite Vergleichskreise
Betreff: Unterschiedliche Arten von Mittelwertvergleichen führen zu unterschiedlichen Ergebnissen; Warum ?Hallo @A_Random_Name ,
Darüber hinaus möchte ich hinzufügen, dass Bedeutung nicht alles ist. Sie müssen sich fragen, ob die Unterschiede zwischen den Gruppen sinnvoll sind. Ihre Diagramme zeigen eine Art Bereich mit blauen Linien, in denen sich alle Punkte befinden. Wenn Sie nur innerhalb der blauen Linie sein müssen, sieht es so aus, als wären Sie bereit, auch die extremsten Fälle in der Stichprobe zu berücksichtigen.
Betreff: Unterschiedliche Arten von Mittelwertvergleichen führen zu unterschiedlichen Ergebnissen; Warum ?Erstmal willkommen in der Community. Ich gebe Ihnen eine andere Erklärung ... Die Bedeutung eines Modelleffekts hängt davon ab, welche Effekte im Modell enthalten sind. Wenn Sie Terme zum Modell hinzufügen oder daraus entfernen, können/werden Sie die Modelleffekte (Schätzungen, Signifikanz usw.) ändern. Sie könnten auch die Kollinearität in Frage stellen.
Betreff: Unterschiedliche Arten von Mittelwertvergleichen führen zu unterschiedlichen Ergebnissen; Warum ?Hallo @A_Random_Name ,
Die Verwendung eines bestimmten statistischen Tests setzt voraus, dass die Annahmen dieses Tests erfüllt wurden.
Für den t-Test sollten vier Hauptannahmen erfüllt sein:
- Die Daten sind fortlaufend.
- Die Stichprobendaten wurden zufällig aus einer Grundgesamtheit gezogen.
- Es besteht Varianzhomogenität (dh die Variabilität der Daten in jeder Gruppe ist ähnlich).
- Die Verteilung ist annähernd normal.
(Quelle : Der t-Test | Einführung in die Statistik | JMP )
In Ihrem Fall haben Sie möglicherweise mehrere Probleme, hier einen t-Test zu verwenden, was die Unterschiede erklären kann, die Sie sehen:
- Aufgrund der geringen Stichprobengröße kann es schwierig sein, die Normalverteilung zu überprüfen, sodass ein parametrischer Test (ein statistischer Test, der Normalverteilungen annimmt) möglicherweise nicht empfohlen wird. Um die (ungefähre) Normalität zu überprüfen, können Sie sich den Normal Quantile Plot ansehen.
- Die Varianzhomogenität wird möglicherweise auch nicht eingehalten (in Ihrem Beispiel scheint Gruppe B keine Varianz zu haben, Gruppe C eine sehr kleine Varianz und Gruppe A mehr Varianz). Um dies zu überprüfen, können Sie „Ungleiche Varianz“ im roten Dreieck der „Fit Y by X“-Plattform testen. JMP stellt Ihnen auch den Welch-Test zur Verfügung, einen modifizierten t-Test, der keine gleichen Varianzen zwischen Ihren beiden Gruppen annimmt, was für einige der Vergleiche, die Sie durchführen, aufschlussreich sein kann.
- Wenn Sie mehr als zwei Gruppen vergleichen möchten, sollten Sie nicht den t-Test verwenden, sondern Tukey-Kramer (im Falle eines parametrischen Tests, um Fehler vom Typ I zu begrenzen) oder Steel-Dwass (nicht parametrische Version). Es stehen viele statistische Tests zur Verfügung. Nehmen Sie sich Zeit, um herauszufinden, welcher am besten zu Ihrem Problem passt, in Bezug auf die erfüllten Ziele und Annahmen.
Werfen Sie auch einen Blick auf das Konfidenzintervall, Sie werden in Ihren Vergleichen sehen, dass sich Ihre Konfidenzintervalle überschneiden, was darauf hindeuten kann, dass Sie keine große Effektgröße und/oder keinen echten statistischen Unterschied haben. Aufgrund des geringen Stichprobenumfangs und der Annahmen, die für einen parametrischen Test wie den t-Test nicht erfüllt sind, sind die signifikanten Ergebnisse möglicherweise nur Fehler erster Art ( irrtümliche Zurückweisung einer eigentlich wahren Nullhypothese, wobei hier die wahre Nullhypothese darin besteht, dass die Gruppenmittel gleich/äquivalent sind).
Zögern Sie nicht, das JMP-Statistikportal oder die JMP-Hilfe in der Fit Y by X-Plattform zu besuchen, um weitere Einzelheiten zu den verfügbaren statistischen Tests zu erhalten.
Ich hoffe, diese ersten Informationen helfen dir 
