Test del parallelismo: test F vs. Chi-quadrato vs. SRA nei test di potenzaCiao a tutti,
Sto valutando diversi approcci per testare il parallelismo degli adattamenti 4PL in un test di potenza.Conosco alcuni limiti/compromessi degli approcci F-test/chi-quadrato.Anche uno dei nostri fornitori utilizza il metodo Slope Ratio per i propri test.Qualcuno ha qualche idea sui pro/contro di questo approccio e dove è opportuno utilizzarlo?Infine, qualcuno lo ha implementato in JMP?
Grazie in anticipo,
Chris
Modellazione statistica avanzataAnalisi e modellazione dei dati di baseRi: Test del parallelismo: test F vs. Chi-quadrato vs. SRA nei test di potenzaA meno che non sbagli ciò che stai chiedendo, penso che scoprirai che è già implementato in JMP:
Prova il parallelismo (jmp.com)
Ri: Test del parallelismo: test F vs. Chi-quadrato vs. SRA nei test di potenzaCIAO @ClusterFerret68 : Questo tipo di domande compaiono di tanto in tanto su questo forum. Ecco uno di questi thread.
https://community.jmp.com/t5/Discussions/Parallelism-Testing-for-Groups-of-4PL-Curves/mp/622085#M82106
Ri: Test del parallelismo: test F vs. Chi-quadrato vs. SRA nei test di potenzaIn effetti... conosco abbastanza bene quel thread... grazie.
La mia richiesta riguardava un contributo sulla logica/adeguatezza dei diversi approcci.Capisco che lo slancio si sta spostando verso i test di equivalenza... ma molte organizzazioni non l'hanno ancora adottato e spetta a noi altri offrire qualcosa di più di "la tendenza attuale è..." ecc., per aiutare a supportare le transizioni ( ad esempio, in ambienti GMP con metodi validati).
Capisco che c'è molto da "disfare i bagagli"... chiedo il contributo di coloro che sono disposti a dedicare un po' di tempo a disfare i bagagli per aiutare a portare altri con sé.
Ri: Test del parallelismo: test F vs. Chi-quadrato vs. SRA nei test di potenzaCIAO @ClusterFerret68 : Ecco alcune cose da considerare (in nessun ordine particolare).
1. Il test di equivalenza ha senso. cioè, una differenza dell'x% nelle pendenze non ha alcuna rilevanza pratica.
2. I test di significatività tradizionali premiano campioni di piccole dimensioni (o una scelta sbagliata dei livelli di dosi).
e la distribuzione dei soggetti nelle dosi); l'analista può erroneamente rifiutarsi di rivendicare il parallelismo non rifiutando l'ipotesi nulla del parallelismo. Sebbene questo tipo di pensiero non sia corretto (per dirla in modo gentile), questo è ciò che spesso accade nel mondo reale del processo decisionale. In questo contesto, uno studio sottodimensionato (a causa delle dimensioni ridotte del campione o di una scelta inadeguata dei livelli di dosi
e la distribuzione dei soggetti sulle dosi) ha maggiori possibilità di "rivendicare il parallelismo".
3. Similmente al punto 2 sopra, i test di significatività tradizionali premiano le misurazioni di scarsa precisione; uno studio sottodimensionato ha maggiori possibilità di "rivendicare il parallelismo". In questo contesto, uno studio sottodimensionato (a causa della scarsa precisione) ha maggiori possibilità di "rivendicare il parallelismo".
4. I test di significatività tradizionali possono rappresentare un grosso problema quando anche la precisione della misurazione è molto buona; può essere necessaria una spiegazione post hoc della significatività statistica quando la differenza non ha alcuna importanza pratica.
Mentre il punto 1 sopra fa appello al nostro senso di utilità, i numeri 2, 3 e 4 sono sufficienti, a mio avviso, per abbandonare il tradizionale test di significato rispetto al parallelismo.
