Chers tous,
Dans Fit Model, après avoir sélectionné MANOVA, je dois spécifier le type de réponse (ou définir la soi-disant matrice M). Standard dans d'autres logiciels (SPSS, JASP), la réponse IDENTITY est utilisée (identity m-matrix). Je me demandais s'il existe une explication plus élaborée de ce que signifient les autres réponses pour l'interprétation de vos données et quand elles sont utiles pour quel test d'hypothèse. Supposons que j'ai une construction de 5 éléments dans un questionnaire capturant des informations d'une manière ou d'une autre, qu'est-ce que cela signifierait pour l'interprétation de cette construction si j'utilisais différents types de réponses.
Merci d'avance,
René
Cher Levei,
Merci de votre intérêt et de votre soutien. Avant de mettre cette demande en ligne j'ai déjà lu ces informations. Je comprends la technique derrière cela. Mais c'est l'interprétation des types de réponses que je recherche. J'ai l'habitude de définir, d'interpréter et d'utiliser des contrastes dans SPSS. La déviation ressemble un peu au type à réponse moyenne dans JMP Manova. Cependant, je ne connais pas l'interprétation des types de réponses multivariées proposés dans JMP. Lorsque je cherche sur Internet, je ne trouve pas de réponse à cette question. J'espère avoir été clair, encore une fois merci pour votre réponse.
René
Bonjour René,
La matrice M vous permet de tester des hypothèses entre les différents paramètres de réponse, qui sont affichés dans le rapport MANOVA par défaut dans JMP.
Pour faire référence à l'exemple que vous avez posé (c'est-à-dire les éléments d'une enquête), j'utilise ci-dessous l'exemple de tableau de données "Online Consumer Data.jmp" pour exécuter un modèle MANOVA relativement simple. Ici, nos résultats sont 3 éléments représentant les réponses à une enquête sur la réputation perçue d'un site Web en ligne, et nous voulons simplement tester l'effet de la variable « Femme ». N'hésitez pas à exécuter ce script JSL pour suivre :
dt = Open("$SAMPLE_DATA\Online Consumer Data.jmp");
dt << Fit Model(
Y( :Reput_1, :Reput_2, :Reput_3 ),
Effects( :Female ),
Personality( "Manova" ),
Run
);
Le rapport par défaut affiche la matrice des estimations de paramètres du modèle :
Vous pouvez désormais utiliser la liste déroulante « Choisir la réponse » pour commencer à tester des hypothèses entre ces paramètres de réponse. Lorsque M est la matrice d'identité, nous laissons simplement inchangées les colonnes de réponses de cette matrice d'estimations de paramètres et nous demandons « y a-t-il un effet global de la femme dans ce système multivarié ? » La réponse est oui:
Notez que l'ouverture de la boîte de contour "Estimations de paramètres transformées en M" vous montrera les estimations de paramètres inchangées (techniquement, la matrice M post-multiplie la matrice Parm Est, c'est ainsi que vous obtenez les estimations transformées). Pour une interprétation supplémentaire, nous dirions « oui, il y a une différence significative entre les hommes et les femmes dans nos réponses » et l'examen des estimations et/ou des diagrammes des moyennes des moindres carrés peut aider à interpréter un peu plus ces résultats. Mais parfois, ce n'est pas assez de détails, de sorte que quelqu'un pourrait vouloir savoir si Femelle a un effet dans un domaine particulier. combinaison des colonnes de la matrice Parm Est. Disons que nous voulons savoir s'il y a un effet sur la somme de toutes nos réponses. Pour cela, nous sélectionnons « Somme » dans la liste déroulante « Choisir la réponse », et nous pouvons voir à nouveau que la réponse est oui, il y a un effet significatif :
L'interprétation ici est beaucoup plus facile car Female a 2 niveaux et l'option "Sum" a permis de réduire notre matrice Parm Est à un simple vecteur. On peut donc dire « il y a une différence significative entre les hommes et les femmes quand on regarde la somme de la réputation perçue sur nos 3 items. L’estimation négative Female[0] indique que les hommes ont une somme inférieure dans ces réponses. »
Utiliser d'autres choix de M pour ces données n'a peut-être aucun sens... par exemple, l'option « Profil » est probablement plus utile pour les résultats qui représentent des mesures répétées. Si vous survolez l'option "Profil", vous trouverez cette description
ce qui dans notre exemple, suggère que nous allons demander s'il y a un effet de "Femme" dans la différence entre les éléments 1 et 2 et entre les éléments 2 et 3. Je ne pense pas que cela ait autant de sens pour ces données, mais si les données étaient des mesures répétées, cette option testerait les différences de temps en temps « y a-t-il des différences entre les hommes et les femmes d'une occasion à l'autre ? »
Comme vous le savez, il existe d'autres options pour M dans la sortie... en regardant la matrice et le Parm Est transformé, vous pourrez voir quelle hypothèse est testée.
Enfin, j'ajouterai que le DF d'un test dévoile le niveau de « détail » que vous obtenez du test. Grâce à l'option "Somme", nous avons pu être très précis sur notre interprétation, et ce n'est pas une surprise car le DF = 1. L'option « Identité » nous a donné un test de 3 DF, ce qui signifie que nous savons qu'il existe des différences mais que ces différences se trouvent « quelque part » dans nos réponses.
HTH,
~LauraCS
Oh! J'ajouterai que si vous disposez de données d'enquête telles que vous l'avez décrit, la plate-forme de modèles d'équations structurelles peut être particulièrement utile, car elle peut modéliser directement votre construction et tenir compte de l'erreur de mesure dans vos modèles.
