Hallo @hartpjb ,
Datentransformationen werden in vielen Disziplinen eingesetzt; Einige Transformationen sind funktional (z. B. logarithmische Konzentrationstransformation bei der Auswertung von Bioassay-Daten), während andere eher ästhetischen/visuellen Zwecken dienen. Letzteres ist bei LogWorth der Fall. Wie oben erwähnt, kann diese Transformation die Visualisierung und Interpretation abgeschnittener p-Werte erleichtern. Zwei Modelleffekte können einen p-Wert von 0,0000 aufweisen, was Sie zu der Annahme verleitet, dass sie gleich wichtig sind. Bei der Transformation stellen Sie jedoch möglicherweise fest, dass ein Modelleffekt wichtiger ist als ein anderer.
Ich kann nicht sagen, ob LogWorth spezifisch für JMP ist. Wenn Sie neugierig sind und eine klarere Antwort wünschen, können Sie nächste Woche an unserer virtuellen JMP Discovery-Konferenz teilnehmen. Es gibt eine „Meet the Experts“-Sitzung, in der Sie mit unserem Entwicklungsteam chatten können, den großartigen Köpfen hinter JMP 
Hallo Jeff, Danke für die Erklärung. logWorth scheint einzigartig für JMP zu sein. Ich finde keinen Hinweis darauf in Büchern über statistische Methoden – z. B. Sokal und Rohlf „Biometrie“ oder Zar „Biostatistische Analyse“ oder Snedecor „Statistische Methoden“. Ist logWorth für bestimmte Disziplinen spezifisch? - Ich bin Biologe und habe möglicherweise nur begrenzte Kenntnisse auf dem Gebiet der Statistik.
Hallo @hartpjb ,
Die in der Effektzusammenfassungstabelle angezeigten logWorth-Werte sind -log-Transformationen des p-Werts jedes Modelleffekts. Diese Darstellung kann nützlich sein, wenn Sie den Grad der Bedeutungsdifferenz zwischen Ihren Modelleffekten interpretieren (dh möglicherweise einfacher zu vergleichen als p-Werte). Die Tabelle „Varianzanalyse“ wird zur Bewertung des Gesamtmodells verwendet. Weitere Informationen zu diesen Tabellen finden Sie in der Hilfedokumentation von JMP: Effektzusammenfassung und Varianzanalyse.
Logworth ist -log zur Basis 10 des p-Werts. Wenn man den Logarithmus (zu einer beliebigen Basis) des p-Werts nimmt, erhält man ein Ergebnis auf einer aussagekräftigeren Skala als auf der 0-bis-1-Skala eines p-Werts.
Rafi und Greenland (2020) schlagen vor, anstelle eines p-Werts einen s-Wert zu verwenden. Der s-Wert beträgt -log zur Basis 2 des p-Werts (und ist daher proportional zum Logwert) und kann analog zum Münzwurf interpretiert werden.
Semantische und kognitive Werkzeuge zur Unterstützung der statistischen Wissenschaft: Ersetzen Sie Vertrauen und Signifikanz durch Kompatibilität und Überraschung
Rafi und Grönland BMC Medizinische Forschungsmethodik (2020) 20:244
https://doi.org/10.1186/s12874-020-01105-9
„Der S-Wert stellt eine absolute Skala dar, auf der man
die Informationen, die ein gültiger P-Wert liefert, gemessen
durch Kalibrierung des beobachteten p anhand eines physikalischen Mechanismus
das Daten mit bekannten Wahrscheinlichkeiten erzeugt. Eine einzige
Münzwurf erzeugt ein binäres Ergebnis, das codiert werden kann
als 1 = Kopf, 0 = Zahl und erfordert daher nur zwei Symbole
oder Staaten zu erfassen oder zu speichern; daher die Informationen in einem
Ein einzelner Wurf wird Bit genannt, die Abkürzung für Binärziffer oder Shannon.
Die Informationen, die eine Folge von Würfen beschreiben, erfordern
s Bits zum Aufzeichnen oder Speichern; somit wird diese
Messung zu einer Hypothese H mit P-Wert p, sagen wir, die
Der Test lieferte s = −log2(p) Bits an Informationen gegenüber H.
„Wir betonen, dass ohne weitere Einschränkungen unsere Kalibrierung
des P-Wertes gegen Münzwurf misst nur
Informationen gegen die Testhypothese, nicht zur Unterstützung
davon. Diese Einschränkung hat den rein logischen Grund, dass
Es gibt keine Möglichkeit, zwischen den unendlichen Hintergrund
Annahmen, die zu einem Test mit gleicher oder größerer
P-Wert und damit gleicher oder kleinerer S-Wert. Es gibt
Die Daten können keine Testhypothese stützen, außer relativ
auf einen festen Satz von Hintergrundannahmen. Anstatt
Unter der Annahme, dass dies im Hintergrund geschieht, bevorzugen wir
stattdessen eine Widerlegungsansicht einzunehmen, die betont, dass
jeder Anspruch auf Unterstützung wird durch Annahmen untergraben
Unsicherheit und sollte daher am besten vermieden werden. Diese Vorsicht gilt
unabhängig von der verwendeten Teststatistik, ob P-Wert, S-Wert,
Bayes-Faktor oder Posterior-Wahrscheinlichkeit.
„Wie der P-Wert bezieht sich auch der S-Wert nur auf eine bestimmte
Test mit bestimmten Hintergrundannahmen. Ein anderer
Test, der auf unterschiedlichen Hintergrundannahmen basiert, wird
erzeugen normalerweise einen anderen P-Wert und damit einen anderen S-Wert;
Daher wäre es ein Fehler, den S-Wert einfach als
„die Informationen gegen die Hypothese, die von der
Daten“, denn es handelt sich immer um einen Test der Hypothese verbunden
mit (oder abhängig von) den Annahmen. Als grundlegendes Beispiel:
Wir können den P-Wert für die strikte Nullhypothese vergleichen
(ohne Auswirkung auf eine Versuchseinheit)
Vergleich zweier Versuchsgruppen mit einem t-Test (der
zusammen mit der Randomisierung nimmt normalverteilte
Antworten unter der Nullhypothese), zum P-Wert von
ein Permutationstest (der nur eine Randomisierung annimmt).
Schließlich, wie im Anhang erläutert, der S-Wert
kann auch mit anderen logarithmischen Einheiten ausgedrückt werden, wie
als natürliche (Basis-e) Logarithmen, −ln(p), was mathematisch
bequemer, aber physisch nicht so einfach darzustellen.“
