varbanov.ar는 범주형 플랫폼의 다중 응답 옵션에 관한 몇 가지 질문을 전달했습니다.
더 많은 청중에게 제공하기 위해 여기에 답변하고 있습니다.
JMP 범주형 전문가를 위한 요청/질문:JMP 범주형의 다양한 다중 응답 옵션과 결과에 대해 더 명확하게 설명할 필요가 있습니다. JMP 범주형 전문가 중 누군가가 이에 대한 몇 가지 질문에 답하는 짧은 데모를 제공할 수 있습니까? 이 플랫폼에서 사용되는 다양한 통계 테스트에 대한 추가 설명이 포함된 기술 보고서가 있습니까? 특히 다음과 같은 질문도 있습니다.1) 다중 응답의 정의는 무엇입니까?
JMP 범주형에서는 응답 범주가 상호 배타적이지 않은 설문조사 항목(또는 기타 프로세스)에서 다중 응답 데이터가 파생됩니다. 다중 응답 데이터의 일반적인 소스는 "해당 사항을 모두 선택"하는 설문 조사 항목입니다. 다중 응답은 반복된 측정 데이터를 참조하지 않습니다.
여러 가지 응답 데이터를 데이터 파일에 표시할 수 있는 방법에는 여러 가지가 있습니다. 데이터는 길 수 있습니다. 즉, 각 고유 응답 항목과 응답자 ID 조합에 대한 행이 있습니다(예를 들어 샘플 데이터 라이브러리 > 품질 관리 > Failure3ID.jmp > “failure” 열 참조). 데이터는 광범위할 수 있습니다. 즉, 각 행은 한 명의 응답자를 나타내고 선택한 응답 옵션을 나타내는 여러 열이 있습니다(샘플 데이터 라이브러리 > Consumer Preferences.jmp > "깨어난 후 브러시"부터 "다른 시간에 브러시"까지의 열 참조). 응답자당 하나의 행과 선택한 응답 옵션의 구분된 목록을 포함하는 하나의 열이 있을 수도 있습니다(샘플 데이터 라이브러리 > Consumer Preferences.jmp > "Brush Delimited" 열 참조). 후자의 접근 방식을 사용하면 "다중 반응" 열 속성을 열에 할당할 수 있으며 열이 구조화된 테이블에서 "상위" 변수로 사용될 때 중첩 샘플에 대한 적절한 수정 사항이 통계 비교에 적용됩니다. (참고: 열 메뉴 아래의 "표시기 열 만들기" 및 "열 결합" 유틸리티를 사용하면 마지막 두 형식 간에 쉽게 이동할 수 있습니다.)
범주형 플랫폼에서 다중 응답 변수를 사용하는 방법에 대한 자세한 내용은 도움말 > 도서 > 소비자 조사(pg부터)에서 확인할 수 있습니다. 62
2) JMP 범주형 내에서 표본이 중복되는 경우 두 그룹 사이에 적절한 평균 점수 비교가 있습니까(예: 각 소비자가 두 제품을 모두 평가함)? 그렇다면 이를 얻는 방법은 무엇입니까(다중 응답 탭에서는 제공되지 않는 것 같습니다)? 또한 이 분석을 구조화된 탭에서 수행할 수 있나요?
범주형 플랫폼은 평균 비교를 위해 설명했듯이 중복되는 샘플을 수정하지 않습니다.
중복되는 샘플로 설명하는 것은 우리가 반복 측정으로 생각하는 것입니다.
범주형의 "관련" 탭 아래에 "반복 측정" 옵션이 있습니다. 범주형 플랫폼에서 기대할 수 있는 것과 일치하여 빈도, 공유 차트, 평균 및 기타 요약 통계와 같은 내용을 보고합니다. 그러나 비교 테스트는 수행하지 않습니다.
반복 측정은 JMP의 다른 영역에서도 비교가 가능하다는 것을 의미합니다.
- 일치 쌍 플랫폼은 한 번에 두 가지 수단(예: 제품 등급)을 비교하고 테스트합니다. 그러나 누락된 데이터가 있는 경우 목록별 삭제를 수행하여 모든 비교에서 전체 사례를 제거합니다.
- 데이터에 누락이 있기 때문에(없더라도) 제품 ID를 고정 효과로, 응답자 ID를 무작위 효과로 사용하는 혼합 모델과 함께 적합 모델을 사용하는 것을 고려할 수 있습니다. 그들이 보낸 예제 데이터는 이미 이 접근 방식에 대한 올바른 레이아웃으로 되어 있지만 위의 다른 두 접근 방식에는 그렇지 않습니다.
- 분명히 이러한 방법의 실제 적합성은 많은 세부 사항에 따라 달라지므로 이는 일반적인 제안일 뿐이며 마일리지는 다를 수 있습니다.
삼) 범주형 변수를 다중 반응으로 호출할 때 JMP는 어떤 통계를 사용합니까?
다중 응답 유형은 여기서 "겹치는 샘플"로 설명한 것과 다르다는 점을 기억하면 다음과 같이 수행됩니다.
- "다중 반응" 속성이 할당된 열이 구조화된 테이블에서 "상위" 변수로 사용되는 경우 중복을 설명하기 위해 1차 Rao-Scott 조정이 적용됩니다(예: Lavassani et al., 2009, 범주형 데이터 분석에서 다중 응답 설문조사 데이터 분석의 발전, Journal of Applied Quantitative Methods). "다중" 탭에서 테이블이 생성되면 테스트가 다르게 처리됩니다. 수정 사항은 구조적 탭을 통해 테이블이 생성된 경우에만 적용됩니다.
- 다중 반응 속성이 있는 변수가 "측면" 차원에 할당되면 겹침에 대한 수정이 없습니다.
- 통계 테스트는 다음과 같습니다.
- 각 셀 비교: Fischer Exact 테스트입니다. 이 테스트는 다른 응답 카테고리와 다르지 않습니다.
- 각 표본 비교: Rao-Scott Correction을 사용하는 Pearson 검정입니다(다중 응답 열이 "상위" 위치에 할당된 경우).
- 테스트 응답 동질성: 두 가지 옵션이 있습니다.
- 이항: 각 행을 두 행인 것처럼 처리합니다. "해당 상자를 선택했습니다"에 대한 한 행입니다. "해당 상자를 선택하지 않았습니다"에 대한 한 행. 이 옵션은 이전 P&G 요청에 따라 추가되었습니다.
- 포아송: 포아송 회귀 분석에서 종속 변수로 모델링되는 것처럼 개수를 처리합니다. 테이블의 열은 독립(X) 변수에 대한 수준인 것처럼 처리됩니다. p-값은 이러한 방식으로 계산된 전체 모델 검정에 대해 계산하는 p-값과 동일합니다.
4) 범주형 플랫폼 내에서 평균 비교를 위한 p-값을 제공하는 것이 가능합니까?
t-검정 및 p-값 보고서를 저장하는 기능은 이전에 P&G 요청에 따라 추가되었습니다. 빨간색 삼각형 메뉴를 통해 가능합니다.
5) Desktop Reporter 소프트웨어에서 사용되는 것처럼 구현된 중복 샘플을 "조정"하는 일반 공식이 있습니까? JMP에게 중복되는 샘플이 있음을 "알려주는" 효율적인 방법/데이터 구조/그리드가 있습니까?
위에서 언급했듯이 적합 모형을 사용하여 혼합 모형을 적합시키는 것이 JMP에서 이를 처리하는 가장 적절한 방법일 수 있습니다.
6) Jeremy의 문제: (이전에 Mike Creed/Diane Farris가 JMP에 문의했습니다.)ㅏ. 계산을 해보면 JMP는 Rao Scott 1차 수정을 사용할 때 자유도를 조정하지 않는 것으로 보입니다.
"겹치는 표본"과 "다중 반응" 사이에 약간의 혼동이 있었던 것으로 생각되지만 JMP 12.1에는 Rao-Scott 수정이 제대로 적용되지 않은 결함이 있습니다. 이 결함은 1월에 출시될 JMP 12.2에서 수정되었습니다.
비. 중복이 없지만 열이 다중 응답으로 정의된 경우 중복되어서는 안 되는 경우에 중복 수식을 사용합니다. 따라서 열을 다중 응답으로 정의할 때와 중복이 없을 때 정의할 때 서로 다른 결과를 얻습니다.
다중 반응 속성은 JMP가 Rao-Scott 수정을 적용하는 방법을 아는 방법입니다. 다중 응답 유형이 아닌 열에는 적용하면 안 됩니다.
내 마지막 메시지에 추가:
JMP의 결과를 Desktop Reporter에 구현된 결과와 일치시키는 것이 목표가 되는 경우 결과가 포함된 첨부된 테스트 데이터 세트를 참조로 사용할 수 있습니다. 여기에는 CATA 데이터와 소비자당 여러 제품 평가가 포함되어 있습니다. CATA 변수는 비타민/식이 보충제 제품 N 향후 사용 이라고 합니다 . 이 변수가 테이블 '상단'에 배치된 Excel 탭 2와 3에서는 중첩 수식이 적용되는 것을 볼 수 있습니다.
감사해요,
알렉스
우리는 JMP에서도 Desktop Reporter와 동일한 구현을 사용하는 것을 선호합니다. 이는 "유효 기반" 계산을 의미합니다. 이는 결과가 다르게 나타나는 이유에 대한 질문을 피하기 위해 주로 추진됩니다. 우리는 이보다 더 나은 입력을 제공하기 위한 두 옵션의 차이점을 잘 모릅니다.
링크의 계산은 비교되는 평균의 표준 오류에 대한 가중 평균입니다. 그게 말이 되네요. 그렇게 구현하겠습니다.
가중치의 제곱합과 가중치의 제곱합 사이의 비율을 사용하는 "유효 기본" 계산을 선호하시나요, 아니면 분모에 가중치만 사용하는 것을 선호하시나요?
가중치를 분모로 사용하는 것이 더 의미가 있습니다.
이렇게 하면 t-검정의 자유도 = w1 + w2 - w0 - 2가 됩니다. 여기서 w0은 중복 횟수입니다. 동의하시나요?
더 이상 평균 비교에서 표준 편차를 풀링하지 않으므로 겹치는 두 열 평균 Col 1과 Col 2 간의 차이 분산에 대한 공식은 다음과 같이 줄어듭니다.
(s1^2+s2^2)/2*[1+P]
여기서 s1^2와 s2^2는 각각 Col 1과 Col2의 평균 분산입니다.
P는 2*overlapCount/(n1+n2)입니다.
여기서 n1과 n2는 열 1과 2의 표본 크기입니다.
내 Kish 버전에서는 표본 크기가 동일하지 않은 경우에 대해 언급하지 않습니다. s1^2와 s2^2 사이의 가중 평균을 기대하시나요?
범주형 플랫폼의 평균 테스트에서 중복되는 부분은 수정하지 않습니다.
동일한 사람이 두 제품을 비교하는 경우 범주형 플랫폼 외부에서 적절한 비교를 계산하는 방법은 여러 가지가 있습니다.
제프,
위의 질문에 대한 답변을 제공해 주셔서 감사합니다. JMP 범주형 플랫폼의 기능과 한계를 이해하는 것은 매우 도움이 됩니다. 응답을 통해 우리는 이 플랫폼을 소비자당 여러 제품 평가 또는 여러 시점 평가가 있는 데이터와 함께 사용해서는 안 된다는 것을 이해합니다.
내가 가진 유일한 후속 질문은 다음과 같습니다.
우리는 JMP가 JMP 범주형 플랫폼에서 표본 중복에 대한 Kish 공식을 구현하지 않은 것으로 알고 있습니다( Leslie Kish 저서 Survey Sampling(1965) 책의 12.4, 437페이지 참조) . 해당 공식은 순차적 모나딕 테스트에서 발생할 때 중복되는 샘플을 분석하기 위해 Desktop Reporter에서 사용되었으며, 소비자당 두 개의 제품을 순차적으로 평가한 연구입니다. 그 맞습니까?
감사해요,
알렉스
