Testen der Parallelität: F-Test vs. Chi-Quadrat vs. SRA in PotenztestsHallo alle,
Ich bewerte verschiedene Ansätze zum Testen der Parallelität von 4PL-Anpassungen in einem Potenztest.Ich kenne einige Einschränkungen/Kompromisse der F-Test-/Chi-Quadrat-Ansätze.Einer unserer Anbieter verwendet für seine Tests auch die Slope Ratio-Methode.Hat jemand eine Meinung zu den Vor- und Nachteilen dieses Ansatzes und wo er sinnvoll eingesetzt werden kann?Abschließend: Hat jemand dies in JMP implementiert?
Dank im Voraus,
Chris
Erweiterte statistische ModellierungGrundlegende Datenanalyse und ModellierungBetreff: Testen der Parallelität: F-Test vs. Chi-Quadrat vs. SRA in PotenztestsSofern ich Ihre Frage nicht falsch verstehe, werden Sie meiner Meinung nach feststellen, dass es bereits in JMP implementiert ist:
Parallelität testen (jmp.com)
Betreff: Testen der Parallelität: F-Test vs. Chi-Quadrat vs. SRA in PotenztestsHallo @ClusterFerret68 : Solche Fragen tauchen in diesem Forum von Zeit zu Zeit auf. Hier ist ein solcher Thread.
https://community.jmp.com/t5/Discussions/Parallelism-Testing-for-Groups-of-4PL-Curves/mp/622085#M82106
Betreff: Testen der Parallelität: F-Test vs. Chi-Quadrat vs. SRA in PotenztestsIn der Tat ... ich kenne diesen Thread ziemlich gut ... Danke.
Meine Bitte betraf Beiträge zur Begründung/Angemessenheit der verschiedenen Ansätze.Ich verstehe, dass die Dynamik in Richtung Gleichwertigkeitsprüfung geht ... aber viele Organisationen haben das immer noch nicht übernommen, und es liegt an uns anderen, mehr als „Der aktuelle Trend ist ...“ usw. anzubieten, um Übergänge zu unterstützen ( z. B. im GMP-Umfeld mit validierten Methoden).
Ich verstehe, dass es viel zu „auspacken“ gibt ... Ich bitte diejenigen um Input, die bereit sind, ein wenig Zeit mit dem Auspacken zu verbringen, um andere mitzubringen.
Betreff: Testen der Parallelität: F-Test vs. Chi-Quadrat vs. SRA in PotenztestsHallo @ClusterFerret68 : Hier sind einige Dinge zu beachten (in keiner bestimmten Reihenfolge).
1. Äquivalenzprüfung macht Sinn. Das heißt, ein Steigungsunterschied von x % hat keine praktische Relevanz.
2. Traditionelle Signifikanztests belohnen kleine Stichprobengrößen (oder eine schlechte Wahl der Dosishöhen).
und die Verteilung der Probanden über die Dosen); Der Analytiker kann irrtümlicherweise die Parallelität behaupten, indem er die Nullhypothese der Parallelität nicht ablehnt. Während diese Art des Denkens (um es freundlich auszudrücken) nicht richtig ist, geschieht dies in der realen Welt der Entscheidungsfindung häufig. In diesem Zusammenhang handelt es sich um eine unzureichend aussagekräftige Studie (aufgrund einer kleinen Stichprobengröße oder einer schlechten Wahl der Dosisniveaus).
und die Verteilung der Probanden über die Dosen) hat eine bessere Chance, „Parallelität zu beanspruchen“.
3. Ähnlich wie bei Punkt 2 oben belohnen traditionelle Signifikanztests schlechte Präzisionsmessungen; Eine Studie mit unzureichender Leistung hat eine bessere Chance, „Parallelität zu beanspruchen“. In diesem Zusammenhang hat eine Studie mit unzureichender Leistung (aufgrund schlechter Präzision) eine bessere Chance, „Parallelität zu beanspruchen“.
4. Herkömmliche Signifikanztests können ein großes Problem darstellen, wenn auch die Präzision der Messung sehr gut ist; Eine nachträgliche Erklärung der statistischen Signifikanz kann erforderlich sein, wenn der Unterschied keine praktische Bedeutung hat.
Während oben 1 unser Sinn für Nützlichkeit anspricht, reichen die Nummern 2, 3 und 4 meiner Meinung nach aus, um die traditionelle Signifikanzprüfung hinsichtlich der Parallelität aufzugeben.
