À quoi servent les barres d'erreur ?Un blog de psychologie cognitive a récemment publié un article intéressant sur un problème important et de longue date avec les publications scientifiques : La plupart des chercheurs ne comprennent pas les barres d'erreur .
Barres d'erreur sont des éléments graphiques inclus dans un tracé statistique pour représenter l'incertitude dans une statistique d'échantillon. Ils sont importants pour les utilisateurs de JMP, car les barres d'erreur sont souvent mentionnées lorsque les utilisateurs sont interrogés sur les nouvelles fonctionnalités qu'ils souhaitent voir dans la prochaine version du logiciel.
Ils sont utilisés depuis longtemps, mais il n'existe pas de véritable norme pour eux. De nombreuses publications ont adopté certaines conventions au fil du temps, mais aucune harmonisation n'a eu lieu à ce jour. Le nom "barre d'erreur" peut impliquer qu'il représente une erreur standard, mais en pratique, les barres d'erreur prennent diverses formes et représentent d'autres quantités, telles que l'écart type de l'échantillon ou un intervalle de confiance de la moyenne de l'échantillon. Différentes "règles empiriques" abondent sur la façon de les créer ou de les interpréter. Que vous soyez un auteur sélectionnant des barres d'erreur pour vos tracés ou un lecteur interprétant des barres d'erreur dans un article, vous pouvez rencontrer une certaine confusion quant à leur objectif et leur forme.
L'auteur du blog, Dave Munger, a interrogé les lecteurs avant d'écrire son article pour voir s'ils savaient comment utiliser ces graphiques statistiques et s'ils étaient pas surpris de constater que de nombreux participants avaient des difficultés. Il a cité une grande étude publiée par Sarah Belia qui a trouvé le même résultat pour les auteurs en psychologie, neurosciences et revues médicales. Comment des chercheurs intelligents, hautement qualifiés et expérimentés pourraient-ils avoir des difficultés avec un appareil aussi ancien, commun et apparemment simple ?
Je pense que la raison de cette maladie professionnelle commune est que nous avons utilisé le même appareil à des fins différentes, nous avons utilisé différents graphiques pour représenter la même chose et nous avons utilisé différentes formules pour les calculer. Pour voir cela, comparez les barres d'erreur à un autre appareil graphique qui est également utilisé pour représenter l'incertitude dans les statistiques d'échantillon, le Carte de contrôle de Shewhart . Cette famille de cartes a une explicite modèle pour chaque type de statistique d'échantillon (par exemple, données individuelles, moyenne d'échantillon, plage d'échantillon).
Les cartes de contrôle ont rigoureux règles de calcul des limites de contrôle et de réalisation du graphique. Chaque carte est composée des mêmes composants, de sorte que si vous apprenez à lire un exemple de carte des moyennes (carte Xbar), par exemple, vous pouvez également lire une carte de proportion défectueuse (carte P). Bien que le type de graphique dépende des données, le graphique est généré et interprété de la même manière, ce qui permet à ces différentes cartes de contrôle de conserver une forme similaire et de véhiculer des informations similaires. D'autre part, les barres d'erreur n'ont pas le même luxe ; ils n'ont pas la même forme ni ne véhiculent les mêmes informations, ce qui les rend souvent ambigus.
Alors, pourquoi utilisez-vous les barres d'erreur ? Je peux penser à trois objectifs communs, assez pour illustrer mon propos.
1. Représenter la variation dans un échantillon de données qui est présenté comme un résumé descriptif de l'échantillon.
2. Représenter l'incertitude dans une statistique d'échantillon utilisée pour déduire quelque chose au sujet de la population.
3. Représenter l'incertitude dans plusieurs statistiques d'échantillon utilisées pour comparer des populations.
Ces objectifs sont très différents, il n'y a donc pas un seul type de barre d'erreur qui fonctionne dans tous les cas. Que fait JMP à ce sujet ? JMP utilise un distinct graphique pour chaque objectif qui est uniquement adapté à chaque objectif. Examinez le Grande classe jeu de données trouvé dans Exemple de données dossier qui accompagne JMP. Utilisez le Sens Unique plate-forme pour explorer les hauteurs de différents groupes d'âge. La clé pour éliminer cette confusion est d'utiliser le bon graphique pour chaque objectif.
1. JMP montre la répartition des données avec des lignes d'écart type.
Si vous avez une question sur la variation dans chaque groupe d'âge, vous pouvez utiliser le Écarts inégaux commande pour obtenir la réponse. En plus d'un rapport numérique qui inclut des tests d'hypothèses sur les écarts-types, JMP ajoute lignes d'écart type au graphique qui représentent un écart type au-dessus et au-dessous de la moyenne de l'échantillon. Ces statistiques de groupe ne sont pas regroupées car vous souhaitez connaître la variation dans chaque groupe.
2. JMP indique l'emplacement de la moyenne de l'échantillon avec un losange.
Si vous avez une question sur l'emplacement de chaque groupe, vous pouvez utiliser le Moyens commande. Encore une fois, vous obtenez un nouveau graphique en plus d'un rapport numérique. Le signifie diamants présenter les moyennes des échantillons sous forme d'estimations ponctuelles (lignes centrales) et d'intervalles de confiance (points supérieur et inférieur des losanges). Le niveau de confiance par défaut est de 95 %. A tout moment, vous pouvez changer ce niveau avec le Définir le niveau alpha commande, et tous les rapports sont mis à jour. De plus, la largeur du losange est proportionnelle à la taille du groupe. Ce graphique est distinct des lignes d'écart type précédentes, il est plus riche et donne une meilleure réponse sur l'emplacement de chaque groupe.
3. JMP compare les moyennes des échantillons avec des cercles.
Si vous souhaitez comparer les emplacements des groupes, vous pouvez à nouveau utiliser les diamants moyens. Ils comprennent chevauchement des lignes près du haut et du bas. Si l'intervalle entre ces lignes pour un groupe ne chevauche pas l'intervalle entre ces lignes pour un autre groupe, alors les moyennes de groupe sont significativement différentes. Ces comparaisons utilisent le même niveau de signification que l'intervalle de confiance, qui est alpha = 0,05 par défaut.
Le billet de blog de Munger mentionnait une "règle empirique", suggérant : "les intervalles de confiance peuvent se chevaucher jusqu'à 25 % de leur longueur totale et montrer toujours une différence significative entre les moyennes de chaque groupe". Tout d'abord, notez que le but d'un intervalle de confiance en tant que tel est de montrer l'incertitude de la moyenne du groupe. Les lignes de chevauchement, en revanche, sont spécifiquement destinées à de telles comparaisons.
Deuxièmement, nous devons également savoir que les barres d'erreur représentent un intervalle de confiance. Troisièmement, les hypothèses de cette règle ne sont pas entièrement claires ni toujours satisfaites dans la pratique. Quatrièmement, l'étendue du chevauchement est difficile à évaluer visuellement. Une autre règle empirique est suggérée pour les cas où les barres d'erreur représentent plutôt l'erreur standard, et cette règle souffre de faiblesses similaires. Si nous utilisons un logiciel pour faire un tracé, pourquoi ne pas l'utiliser également pour faire un meilleur graphique et produire le bon test d'hypothèse et p -valeur, quelle est la meilleure façon de déterminer l'importance ?
Lorsque vous avez plus de deux groupes, cependant, les lignes de chevauchement n'offrent aucune protection contre le inflation de l'alpha expérimental inhérent à comparaisons multiples . JMP fournit une deuxième méthode de comparaison des moyennes de groupe qui tient compte du nombre de comparaisons à effectuer. Utilisez l'une des commandes du Comparer les moyennes groupe, comme le Toutes les paires, Tukey HSD commande. Cette commande produit un nouveau graphique pour chaque groupe. Comme les diamants moyens, les cercles de comparaison vous informent de l'emplacement (centre) et de la dispersion (rayon) des statistiques de l'échantillon, mais elles sont ensuite ajustées pour tenir compte du nombre de comparaisons. Pour comparer les moyennes des groupes, sélectionnez un groupe en cliquant sur son cercle, et JMP répond graphiquement avec la réponse ; il ne suffit pas de vérifier si les cercles se chevauchent.
J'ai sélectionné le cercle le plus bas pour demander si ce groupe (âge = 12) est différent des autres groupes de cet exemple. Les cercles pour trois groupes (âge = 14, 15, 17) deviennent gris pour indiquer qu'ils sont significativement différents.
Vous pouvez également utiliser le lettres de liaison pour déterminer quelles moyennes de groupe sont identiques ou différentes. Les groupes qui ne partagent pas une lettre sont significativement différents. Encore une fois, vous voyez que (âge=12, groupe 
est différent de (âge=14,15,17, groupe A).
Alors, à quoi servent les barres d'erreur ? Ils sont bons lorsqu'ils transmettent clairement des informations utiles de manière non ambiguë. Cependant, ils pourraient être surtaxés et utilisés à des fins pour lesquelles de meilleurs graphismes ont été inventés. JMP considère les informations que vous souhaitez et utilise le meilleur graphique disponible pour les transmettre.
Ajouté le 24 novembre 2008 :
J'ai trouvé un autre exemple pertinent de barres d'erreur dans JMP. Lorsque vous utilisez Ajuster le modèle pour analyser un modèle linéaire avec une régression standard des moindres carrés, vous obtenez automatiquement un diagramme de levier pour chaque terme du modèle si le Accent est Effet de levier . (Si vous utilisez une autre emphase, vous pouvez toujours obtenir le diagramme de levier en cliquant sur le triangle rouge en haut de la fenêtre à côté de Réponse et en sélectionnant Diagnostic de ligne > Effet de levier de l'intrigue . Ouvrez maintenant les détails de l'effet et les rapports des effets individuels.) Un effet catégoriel inclura un Tableau des moyennes des moindres carrés sous le graphique de l'effet de levier. Ce rapport inclut la moyenne LS, l'erreur standard et la moyenne pour chaque niveau de cet effet. Vous pouvez cliquer avec le bouton droit dans le rapport et sélectionner Colonnes > Inférieur 95% et Colonnes > Supérieur 95% pour obtenir les limites de l'intervalle de confiance à 95 % de l'estimation des moyennes LS. Le résultat ressemblera à ceci :
(Remarque : ce résultat utilise un ensemble de données Big Class et le modèle est le poids = âge + sexe + taille. Cette image est pour l'effet d'âge.)
Cliquez maintenant sur le triangle rouge en haut du graphique de levier et sélectionnez LS Means Plot. Le graphique montre un graphique des moyennes LS ainsi que des barres d'erreur pour l'intervalle de confiance à 95 % à des fins de comparaison. L'intrigue ressemble à ceci :
Faites-moi savoir si vous trouvez d'autres exemples de barres d'erreur dans JMP !
Ajouté le 30 mars 2009 :
Les barres d'erreur sont facultatives sur certaines plates-formes JMP. Par exemple, vous souhaiterez peut-être afficher des barres d'erreur dans un graphique à barres. Cet exemple vous montre comment les ajouter.
1. Sélectionnez Aide > Exemple de données . Ouvrez la section Exemples d'enseignement et sélectionnez Grande classe .
2. Sélectionnez Graphique > Graphique . Sélectionnez la hauteur > Statistiques > Signifier . Sélectionner âge > Catégories, X, Niveaux . Sélectionner D'ACCORD .
3. Cliquez sur le triangle rouge à côté de Graphique et sélectionnez Ajouter des barres d'erreur à la moyenne .
4. Vous avez le choix entre la quantité à utiliser et son multiple. Utilisez une erreur standard de la moyenne pour montrer l'incertitude de son estimation.
5. Sélectionnez D'ACCORD .
C'est tout ce qu'on peut en dire.
Mark Bailey a écrit : Je comprends votre confusion. C'est c...Marc Bailey a écrit:
Je comprends votre confusion. C'est courant et c'est la raison pour laquelle j'ai écrit ce post en premier lieu. La réponse, malheureusement, est que cela dépend de la quantité représentée par la barre d'erreur. (Cette dépendance est la raison pour laquelle il est important que les auteurs indiquent ce que la barre d'erreur représente dans un graphique donné.) Si la barre d'erreur représente un écart type, elle vous indique la différence typique entre une observation et la moyenne. S'il représente une erreur standard, il vous indique la différence typique entre une estimation et le vrai paramètre. S'il représente un intervalle de confiance, il vous indique une plage de valeurs pour le vrai paramètre, avec un niveau de confiance donné.
D'après votre commentaire, il semble qu'on vous ait dit d'utiliser un écart type de vos données de laboratoire pour tracer la barre d'erreur. Dans ce cas, la barre d'erreur vous indique la distance typique entre une observation et la moyenne.
Emily a écrit : J'ai lu tout ce post et bien que je ne sois pas...Emilie a écrit:
J'ai lu tout ce post et même si je suis maintenant très intéressé par les statistiques, je ne sais toujours pas comment interpréter les barres d'erreur. Je suis un étudiant de première année à l'Université James Madison, étudiant la biologie, et je rencontre actuellement beaucoup de statistiques. problèmes lors de l'interprétation de mes résultats de laboratoire. Est-ce correct ? La barre d'erreur vous indique à partir de la moyenne la répartition de vos données ?
Mark Bailey a écrit : Oui, la variation dans la statistique de l'échantillon...Marc Bailey a écrit:
Oui, la variation dans la statistique de l'échantillon (estimation moyenne) est représentée par l'erreur type de la moyenne et l'erreur type doit être utilisée pour tracer les barres d'erreur pour le marqueur moyen. Cette utilisation des barres d'erreur doit être expliquée par l'auteur chaque fois qu'elle est utilisée, au lieu de laisser au lecteur le soin de supposer ou de deviner ce que représente la barre d'erreur.
Christie a écrit: Est-ce que les barres d'erreur moyennes montrent la norme ...Christie a écrit:
Les barres d'erreur moyennes indiquent-elles la moyenne de l'erreur standard ?
Mark Bailey a écrit : C'est une excellente question, car c'est...Marc Bailey a écrit:
C'est une excellente question, car elle fait apparaître une confusion commune sur ce que ces différents intervalles représentent et à quoi ils sont destinés.
Le Intervalle de confiance est une déclaration sur la vraie moyenne. Il transmet un niveau de confiance donné quant à l'emplacement de la vraie moyenne. (Il ne s'agit pas d'une déclaration sur la probabilité que la vraie moyenne se situe dans l'intervalle.) Il reconnaît l'incertitude dans nos estimations des statistiques de l'échantillon. L'intervalle suppose que la moyenne et la variance réelles de la population sont fixes et que la moyenne et la variance estimées varient d'un échantillon aléatoire simple à l'autre. Il est calculé comme l'estimation ponctuelle avec des marges symétriques de chaque côté pour l'incertitude. La marge est un multiple (par exemple, 1,96) de la erreur standard de la statistique. (L'erreur type mesure la variation d'une statistique comme l'écart type mesure la variation des données.) L'erreur type est regroupée à partir de tous les groupes car notre modèle d'analyse fournit une seule variance commune. Le multiplicateur garantit que la proportion souhaitée de cas (par exemple, 95 %) est représentée par l'intervalle. Le multiplicateur est un quantile de la distribution t de Student et une fonction de la taille du groupe.
Cet intervalle peut être utilisé pour l'inférence. Il équivaut à la version à un échantillon du test t de Student. Dans ce cas, vous comparez une moyenne d'échantillon à une moyenne de population hypothétique. Si l'intervalle contient la moyenne hypothétique, vous ne rejetez pas l'hypothèse nulle. Si l'intervalle ne contient pas la moyenne hypothétique, vous rejetez l'hypothèse nulle et décidez que la moyenne de la population est différente de la moyenne hypothétique. Le méchant diamant représente à la fois le point (ligne horizontale médiane) et les estimations d'intervalle (extrémités verticales du losange). Le test t à un échantillon est basé sur une statistique calculée comme la différence entre la moyenne de l'échantillon et la moyenne hypothétique divisée par l'erreur type de la moyenne.
Nous ne voudrions pas déduire la moyenne d'un groupe en utilisant l'intervalle de confiance d'un autre groupe comme décrit immédiatement ci-dessus. Nous pouvons à la place utiliser un test t à deux échantillons, l'analyse de variance unidirectionnelle équivalente (ANOVA) ou l'une des quatre méthodes basées sur des cercles de comparaison. Le test t à deux échantillons est basé sur une statistique calculée comme la différence entre les moyennes de l'échantillon divisée par l'erreur type de la différence des moyennes de l'échantillon. L'erreur standard de la différence peut également être utilisée pour calculer un intervalle de confiance pour la différence. Le losange moyen représente cet intervalle de confiance comme le marques de chevauchement . L'erreur standard de la différence est la racine carrée de la somme des carrés des erreurs standard des moyennes de groupe. JMP suppose que l'erreur type de la moyenne est la même pour tous les groupes afin de simplifier le calcul de la marge : la racine carrée de deux fois le carré de l'erreur type de la moyenne. Cette hypothèse n'est vraie que lorsque les groupes ont la même taille, donc cette évaluation visuelle ne doit être utilisée que dans de tels cas.
Pour plus d'informations, veuillez consulter le Analyse de base et représentation graphique de JMP (JMP > Aide > Livres) ainsi que cet article paru dans un numéro de 1996 du Bulletin JMPer Cable. . L'article d'Ann Lehman intitulé "La valeur des diamants taillés" explique pourquoi l'ajustement est approprié.
Aris a écrit : Pourquoi est-il nécessaire d'utiliser les marques de chevauchement...Aris a écrit:
Pourquoi est-il nécessaire d'utiliser les marques de chevauchement des losanges moyens pour séparer deux moyens ? Le chevauchement des intervalles de confiance n'est-il pas suffisant pour montrer que deux moyennes ne sont pas différentes ? D'où vient la formule 2^0.5 * CI/2 pour calculer les marques de chevauchement ? Ce n'est pas expliqué dans le manuel JMP.
Top 10 des articles de blog JMP de 2011 - JMP Blog a écrit : [...] Qu'est-ce que...Les 10 meilleurs articles du blog JMP de 2011 - JMP Blog a écrit:
[...] À quoi servent les barres d'erreur ? (2008) [...]
Don Gregory a écrit: Le billet de blog original dit â Standard...Don Grégoire a écrit:
Le billet de blog original indique que "les erreurs standard sont généralement inférieures aux intervalles de confiance". En supposant que ce sont toutes des distributions normales (non déclarées, mais je pense supposées), n'est-il pas vrai que les IC sont toujours supérieure à l'erreur standard. de la moyenne. Je pensais que le std.err. de la moyenne était le Std.Dev. de la population des moyennes de nombreux échantillons (qui est estimée à partir des données); et que l'IC à 95 % serait donc un multiple (environ 2 sigma) de l'erreur type ?
Don Gregory a écrit: De plus, l'auteur du billet de blog mentionne th ...Don Grégoire a écrit:
En outre, l'auteur du billet de blog mentionne qu'avec des échantillons corrélés, les barres d'erreur sont inappropriées. Je peux comprendre l'exigence que deux "échantillons" soient indépendants pour l'anova, mais si les mesures "avant" vs "après" ne conviennent pas, alors je pense qu'il y a tout un tas de gens qui utilisent la plate-forme anova (avec des moyens de comparaison) de manière incorrecte ?
je pense qu'il y a un parcelle de gens qui l'utilisent uniquement à cette fin ; donc la question est, si ce n'est pas correct, quelle est la manière « correcte » d'évaluer la signification d'un ensemble de mesures « avant » et « après » ?
chercheur en biologie de niveau intermédiaire a écrit : Merci beaucoup...chercheur en biologie de niveau intermédiaire a écrit:
Merci beaucoup pour ce message. J'ai tellement de mal à expliquer la signification des barres d'erreur à mes collègues, qui sont convaincus qu'il existe une sorte de norme absolue pour eux. J'espère que les diriger vers ce poste aidera.
Mark Bailey a écrit : Je suis d'accord que l'intervalle de confiance de 95 %...Marc Bailey a écrit:
Je conviens que l'intervalle de confiance à 95 % sera plus large qu'un intervalle d'une erreur standard car la valeur t critique pour alpha = 0,05 sera toujours supérieure à 1. Cependant, si vous aviez besoin de moins de confiance, le multiplicateur pourrait être inférieur à un. Par exemple, si vous n'aviez besoin que de 60 % lorsque vous comparez les moyennes de deux populations avec un échantillon de 3 de chacune, votre multiplicateur n'est que de 0,94. Ce cas n'est cependant pas probable.
Mark Bailey a écrit : C'est un autre cas où la comparaison...Marc Bailey a écrit:
Il s'agit d'un autre cas où la comparaison impliquait des observations appariées. Dans ce cas, si les observations sont fortement corrélées ou si la variation entre les blocs est importante, l'intervalle de confiance des moyennes de l'échantillon sera supérieur à l'intervalle de confiance des différences appariées. Ce cas arrive fréquemment. Malheureusement, de nombreux chercheurs ne reconnaissent pas l'appariement et utilisent le test de la moyenne à deux échantillons moins puissant.
Là encore, JMP propose une meilleure solution : Analyser > Paires appariées, si vous reconnaissez l'association.
dave a écrit: Je suis un utilisateur de saut de longue date, mais tout récemment f ...Dave a écrit:
Je suis un utilisateur de saut de longue date, mais je viens de découvrir ce blog. Je tiens à dire que des articles comme celui-ci sont des plus intéressants.
J'aimerais voir plus d'articles sur des questions/problèmes statistiques spécifiques et sur la manière dont JMP les résout.
Mark Bailey a écrit : Nous apprécions vos commentaires. Ce blog...Marc Bailey a écrit:
Nous apprécions vos commentaires. Ce blog est actif et varié. Nous essayons de le rendre intéressant pour un large public. S'il vous plaît laissez-nous savoir s'il y a des problèmes particuliers ou des problèmes qui vous intéressent.
Mark Bailey a écrit : Votre commentaire est très apprécié. Aide...Marc Bailey a écrit:
Votre commentaire est très apprécié. Aidez nous à vous aider! Vous (et tout autre lecteur) êtes invités à suggérer des sujets qui pourraient ne pas nous venir à l'esprit ou à indiquer qu'un sujet donné devrait être une priorité pour nous de couvrir ici.
Encore merci pour vos commentaires!
Walter R. Paczkowski a écrit : C'était une bonne discussion sur...Walter R. Paczkowski a écrit:
Ce fut une bonne discussion sur les barres d'erreur et les outils de JMP pour effectuer des comparaisons. J'ai deux questions qui sont plus d'information ou d'éducation. D'abord, y a-t-il des références sur la construction des régions de chevauchement des losanges ? Deuxièmement, les affectations de lettres peuvent être déroutantes à interpréter, alors y a-t-il des lignes directrices pour l'interprétation ? Par exemple, sont-ils transitifs de sorte que si X ne diffère pas de Y et Y ne diffère pas de Z, alors X ne diffère-t-il pas de Z ?
Mark Bailey a écrit : Il y a des informations sur la façon dont l'ove...Marc Bailey a écrit:
Il existe des informations sur la façon dont le marques de chevauchement dans le signifie diamants sont calculés. Se référer au Guide des statistiques et graphiques JMP dans le chapitre 7, qui est tout au sujet de la Sens Unique plate-forme. (Les manuels de référence sont disponibles sous forme de documents PDF via le Aide > Livres menu.) Voir la section Signifie les diamants et l'axe des x proportionnel dans ce chapitre pour plus de détails.
Votre exemple de transitivité n'est pas nécessairement vrai, et j'en ai vu des exceptions. Les groupes de lettres visent à faciliter l'interprétation des différences significatives entre les moyennes des différents niveaux. Les désignations de lettres fonctionnent sur les mêmes principes que la méthode de comparaison multiple sous-jacente sur laquelle elles sont basées. En termes simples, si deux groupes partagent la même lettre, ils ne sont pas significativement différents au niveau désigné. Sinon, si deux groupes se voient attribuer des lettres différentes, ils sont significativement différents au niveau désigné. Certains niveaux peuvent être attribués à plus d'une lettre.
Florian a écrit : Est-ce que quelqu'un sait comment je peux ajouter des barres d'erreur...Florian a écrit:
Est-ce que quelqu'un sait comment ajouter des barres d'erreur sur un graphique à barres dans JMP ?
Mark Bailey a écrit : Veuillez consulter l'addendum à l'original...Marc Bailey a écrit:
Veuillez consulter l'addendum à l'entrée de blog d'origine.
Mark Bailey a écrit : Veuillez voir la réponse ajoutée au bot...Marc Bailey a écrit:
Veuillez consulter la réponse ajoutée au bas de l'entrée de blog.
Anger Management a écrit : Informations utiles. Merci v...Gestion de la colère a écrit:
Information utile. Merci beaucoup.
Elizabeth Salas a écrit: Lors de l'utilisation d'un modèle d'analyse d'ajustement pour ru ...Elisabeth Salas a écrit:
Lors de l'utilisation d'un modèle d'analyse d'ajustement pour exécuter une ANOVA à 3 facteurs à modèle mixte, tous les tableaux de la sortie affichent l'erreur Std. Existe-t-il un moyen de changer cela en écart-type?
Toute aide serait grandement appréciée!
Merci
Mark Bailey a écrit : Votre question est bonne ! Le simple...Marc Bailey a écrit:
Votre question est bonne! La réponse simple est que Fit Model présente déjà l'écart type de vos résultats.
La réponse longue est qu'il existe deux types de populations impliquées dans l'analyse de votre modèle à effets mixtes. Le premier type est une population de données, où nous décrivons la répartition des valeurs de données (par exemple, réponse, prédicteur) à l'aide d'un écart type. Le deuxième type est une population statistique, où nous décrivons la propagation des statistiques (par exemple, les paramètres, LS MEANS) à l'aide d'une erreur standard. L'erreur type est en fait l'écart type de la distribution d'échantillonnage de la statistique estimée.
L'écart type des données n'indique pas directement l'incertitude de la statistique estimée, bien qu'elle soit liée. Plus les données varient (écart-type plus grand), plus la statistique de l'échantillon varie (erreur-type plus grande). Cependant, la relation exacte dépend du modèle, de sa paramétrisation et de la méthode utilisée pour estimer la statistique. Ainsi, le meilleur indicateur de l'incertitude pour la statistique est son erreur standard associée.
