범주형 데이터 분석: 대규모 표본 크기 조정을 위한 카이제곱JMP 커뮤니티 여러분,
JMP Pro 16.2.0을 사용합니다. 인터넷을 통해 범주형 독립 변수와 범주형 종속 변수를 이용한 실험을 진행하고 있습니다. 중요한 점은 빈도를 결정하는 참여자 수가 많을 경우 카이-제곱 검정은 항상 유의미성에 도달한다는 것입니다. 제가 첨부한 jmp 파일의 가상 데이터와 첨부된 저널의 분석에서 이를 확인할 수 있습니다. 저빈도에 100을 곱했는데, 모자이크 그래프는 정확히 동일하게 보이지만 저빈도 조건에서는 유의미하지 않은 반면 고빈도 조건에서는 매우 유의미합니다. 이것이 카이-제곱 검정의 "문제"로, 표본 크기가 클수록 유의미성에 쉽게 도달합니다(F=검정의 민감도가 떨어짐).
이 문제에 대한 해결책이 있습니다. 때로는 개수를 비율로 변환하여 F-검정을 수행할 수도 있지만, 이 경우에는 불가능합니다. 다른 해결책은 이 논문에 있습니다.
http://expsylab.psych.uoa.gr/fileadmin/expsylab.psych.uoa.gr/uploads/papers/Bergh_2015.pdf
제 질문은 이렇습니다. JMP Pro에 이 문제에 대한 구현 기능이 있는지, 아니면 알고 계신 추가 기능이 있는지 궁금합니다. 인터넷을 통해 데이터 수집 프로그램(예: Amazon Turk, Qualtrics)을 이용할 수 있게 되면서 이러한 대규모 표본 크기를 처리하는 것이 점점 더 중요해지고 있다고 생각합니다. 특히 범주형 데이터 분석에서 더욱 그렇습니다. 소비자 조사에 옵션이 있을지도 모르지만 아직 찾지 못했습니다.
문제가 해결되기를 바랍니다.
귀하의 통찰력에 감사드립니다.
감사합니다,
르네
데이터 탐색 및 시각화대량 맞춤화Re: 범주형 데이터 분석: 대규모 표본 크기 조정을 위한 카이제곱안녕 @RvEDelft ,
커뮤니티에 오신 것을 환영합니다!
귀하의 문제를 간단히 살펴보면 "협회 측정 보고서"(빨간색 삼각형을 클릭하면 액세스 가능)에서 사용 가능한 다른 분석을 확인하려고 했습니까? 질문이 무엇인지에 따라 다르지만 다른 많은 옵션이 있으며 일부는 이미 데이터 세트 크기를 고려합니다. 협회 보고서의 조치 (jmp.com)
다음과 같은 명목 변수와 함께 한 가지 예가 제공됩니다. 연관 측정 옵션의 예(jmp.com) 어디 람다 및 불확실성 측정은 의사 결정을 돕는 데 사용됩니다(일반적으로 Y의 변동이 X의 변동으로 설명될 수 있는 정도를 알기 위해).
낮은 수준과 높은 수준에서 데이터 세트와 빈도 열을 사용할 때 데이터 세트 크기/값의 빈도에 따라 Lambda 및 불확실성 측정이 변경되지 않는 것을 볼 수 있습니다.
FREQLOW 대 FREQHIGH :
나는 당신의 주제와 목표를 모르고 이러한 통계 테스트에 관한 전문가는 아니지만 이 주제에 대한 문헌은 인터넷에서 찾을 수 있습니다.
이 첫 번째 답변이 도움이 되기를 바랍니다.
Re: 범주형 데이터 분석: 큰 표본 크기 조정을 위한 카이제곱더 잘 대답할 수 있는 다른 사람들이 있기 때문에 귀하의 질문에 직접적으로 답변하지 않을 것입니다.그러나 일반적으로 거의 모든 대규모 데이터 세트는 수행하는 거의 모든 분석에 대해 통계적 유의성을 표시하게 될 것이라고 생각합니다. 테스트 중인 null은 연관성이 없으며 실제로는 거의 항상 연관되어 있습니다.따라서 카이 제곱 테스트가 큰 데이터 세트에서 항상 유의미함을 보여준다는 사실에 대해 걱정하지 않을 것입니다.귀하의 질문이 Amazon Turk 등과 같은 것에서 대규모 데이터 세트 생성에 초점을 맞추고 있는 한, 더 큰 질문은 이러한 큰 샘플 크기가 일반적으로 연구하려는 모집단의 무작위 샘플로 간주될 수 없다는 것입니다.즉, 통계적 유의성은 무작위 샘플링에 의존하고 있으며, 여러분이 얻는 샘플은 크지만 무작위일 가능성이 없습니다.그것은 모든 것이 통계적으로 유의미하다는 사실보다 더 중요합니다.
Re: 범주형 데이터 분석: 큰 표본 크기 조정을 위한 카이제곱좋아요,
내 질문은 카이 제곱에 관한 것입니다. 귀하의 발언은 신뢰할 수 있는 것이 아니라 테스트의 타당성과 더 관련이 있다고 생각합니다. 첫 번째는 매우 중요하다고 생각합니다. 그러나 대부분의 경우 중요성 적응이 승리합니다. 결과가 null인 논문은 절대 찾을 수 없습니다. 유감입니다. 나는 한때 완벽한 실험 디자인을 가지고 있지만 중요한 효과를 찾지 못한 동료 박사를 가졌습니다.
이에 대해 더 자세히 설명합니다. 작은 샘플로 사용자 조사를 해야 하는 제 학생들은 그것에 문제가 있습니다., 스스로에게 물어볼 수 있는 간단한 질문이 하나 있습니다. 사람이 특정 컨텍스트에서 제품과 상호 작용하면 문제가 발생합니다. 이 문제를 가진 사람이 이 세상에 유일한 사람일까요? 아마도 그렇지 않을 것입니다. 아무도 달리 주장하지 않을 것이라고 생각합니다. 이에 대한 통계가 없습니다...
내 초기 질문을 그대로 유지하십시오 ...
타당성 측면에서 다른 링크를 만들어도 괜찮을 것 같습니다.
르네
Re: 범주형 데이터 분석: 대규모 표본 크기 조정을 위한 카이제곱글쎄, 나는 당신의 질문에 직접적으로 대답하지 않을 것이라고 말했습니다.어쨌든 나는 그것을 다시 보았고 그것은 내 전문 분야가 아니지만, 알고 싶은 질문이 있습니다.카이 제곱 테스트에서 이것을 "문제"라고 합니다.왜 문제라고 하는지 이해가 안되네요.테스트가 해야 할 일을 정확히 수행하고 있는 것 같습니다. 변수 A와 변수 B의 응답에서 매우 동일한 차이가 무작위 샘플링(관계 없는 가정에서)을 통해 얻은 것일 가능성이 더 높은 것으로 간주됩니다. 크기는 24000이 아닌 240입니다.이것이 "문제"라는 맥락을 이해할 수 없습니다.그리고 당신의 학생들이 종종 작은 샘플을 가지고 있다는 것에 대해 더 자세히 설명할 때, 저는 이것이 통계적 조작을 통해 치료될 수 있는 문제로 보지 않습니다.작은 샘플은 매우 가변적이므로 통계적 유의성을 찾는 것이 더 어려워야 합니다. 그렇지 않습니까?
이것은 내 전문 분야가 아니기 때문에 이것이 왜 문제로 간주되고 어떤 종류의 "해결책"을 찾고 있는지에 대해 맥락을 더 잘 이해하고 싶습니다.매우 제한적인 이해로 인해 저는 작은 샘플 사례를 더 명확하게 만드는 솔루션을 매우 의심할 뿐만 아니라 더 큰 샘플 크기로 통계적 유의성에 대한 더 높은 표준을 요구하는 솔루션을 더 의심할 것입니다.이 마지막 요점에서 검정 중인 귀무가설이 사실상 절대 사실이 아니므로 이를 기각하는 것이 일반적으로 예상되어야 한다는 것이 NHST에 대한 나의 주요 비판 중 하나입니다.null을 거부할 수 있는지 여부가 아니라 중요한 관계의 차이 또는 강도의 크기입니다.null을 거부할 수 없다는 것은 샘플 크기에 비해 변동성이 너무 커서 아무 말도 할 수 없다는 것을 의미합니다(내 경험상 이것은 기본 데이터를 사용하는 대부분의 학생 설문 조사 유형 연구에 해당됩니다).
