Test du parallélisme : test F, chi carré et SRA dans les tests de puissanceBonjour à tous,
J'évalue différentes approches pour tester le parallélisme des ajustements 4PL dans un test de puissance.Je connais certaines des limites/compromis des approches test F/chi carré.L'un de nos fournisseurs utilise également la méthode Slope Ratio pour ses tests.Quelqu'un a-t-il une idée des avantages/inconvénients de cette approche et des domaines dans lesquels elle est appropriée ?Enfin, quelqu'un a-t-il implémenté cela dans JMP ?
Merci d'avance,
Chris
Modélisation statistique avancéeAnalyse et modélisation des données de baseRe : Test du parallélisme : test F, chi carré et SRA dans les tests de puissanceSauf erreur de ma part, je pense que vous constaterez que cela est déjà implémenté dans JMP :
Tester le parallélisme (jmp.com)
Re : Test du parallélisme : test F, chi carré et SRA dans les tests de puissanceSalut @ClusterFerret68 : Ce genre de questions reviennent de temps en temps sur ce forum. Voici un de ces fils.
https://community.jmp.com/t5/Discussions/Parallelism-Testing-for-Groups-of-4PL-Curves/mp/622085#M82106
Re : Test du parallélisme : test F, chi carré et SRA dans les tests de puissanceEn effet... Je connais assez bien ce fil.... merci.
Ma demande visait à obtenir des commentaires sur la justification/la pertinence des différentes approches.Je comprends que l'on s'oriente vers les tests d'équivalence... mais de nombreuses organisations ne l'ont toujours pas adopté et c'est à nous d'offrir plus que "la tendance actuelle est...", etc., pour aider à soutenir les transitions ( par exemple, dans des environnements GMP avec des méthodes validées).
Je comprends qu'il y a beaucoup à "déballer"... Je demande l'avis de ceux qui sont prêts à consacrer un peu de temps à déballer pour aider à amener les autres.
Re : Test du parallélisme : test F, chi carré et SRA dans les tests de puissanceSalut @ClusterFerret68 : Voici quelques éléments à considérer (sans ordre particulier).
1. Les tests d’équivalence sont logiques. c'est-à-dire qu'une différence de pente de x % n'a aucune pertinence pratique.
2. Les tests de signification traditionnels récompensent les petites tailles d’échantillons (ou un mauvais choix de niveaux de doses).
et la répartition des sujets sur les doses) ; l'analyste peut par défaut revendiquer le parallélisme en ne rejetant pas l'hypothèse nulle du parallélisme. Bien que ce type de réflexion ne soit pas correct (pour le dire gentiment), c’est ce qui se produit souvent dans le monde réel de la prise de décision. Dans ce contexte, une étude de faible puissance (via un échantillon de petite taille ou un mauvais choix des niveaux de doses)
et la répartition des sujets selon les doses) a plus de chance de « revendiquer le parallélisme ».
3. Semblable au point 2 ci-dessus, les tests de signification traditionnels récompensent les mesures de faible précision ; une étude de faible puissance a de meilleures chances de « revendiquer le parallélisme ». Dans ce contexte, une étude de faible puissance (via une mauvaise précision) a plus de chances de « revendiquer le parallélisme ».
4. Les tests de signification traditionnels peuvent constituer un gros problème lorsque la précision de la mesure est également très bonne ; une explication a posteriori de la signification statistique peut être nécessaire lorsque la différence n'a aucune importance pratique.
Alors que le point 1 ci-dessus fait appel à notre sens de l'utilité, les nombres 2, 3 et 4 suffisent, à mon avis, pour abandonner les tests de signification traditionnels par rapport au parallélisme.
