Ciao @hartpjb ,
Le trasformazioni dei dati sono utilizzate in molte discipline; alcune trasformazioni sono funzionali (ad esempio la trasformazione logaritmica della concentrazione durante la valutazione dei dati del test biologico) mentre altre hanno più scopi estetici/di visualizzazione. Quest'ultimo è il caso di LogWorth. Come accennato in precedenza, questa trasformazione può rendere più semplice visualizzare e interpretare i valori p troncati. Due effetti del modello possono avere un valore p pari a 0,0000, portandoti a pensare che siano ugualmente importanti; una volta trasformato, tuttavia, potresti scoprire che un effetto del modello è più importante di un altro.
Non posso dire se LogWorth sia specifico per JMP: se sei curioso e desideri una risposta più chiara, potresti prendere in considerazione l'idea di partecipare alla nostra conferenza virtuale JMP Discovery la prossima settimana. È disponibile una sessione "Incontra gli esperti" in cui puoi chattare con il nostro team di sviluppo, le grandi menti dietro JMP 
Ciao Jeff, grazie per la spiegazione. logWorth sembra esclusivo di JMP. Non trovo alcun riferimento ad esso nei libri sui metodi statistici - ad esempio Sokal e Rohlf 'Biometria' o Zar 'Analisi biostatistica' o Snedecor 'Metodi statistici'. logWorth è peculiare di alcune discipline? - Sono un biologo e forse ho una visione limitata del campo statistico.
Ciao @hartpjb ,
I valori logWorth mostrati nella tabella di riepilogo degli effetti sono trasformazioni -log del valore p di ciascun effetto del modello. Questa rappresentazione può essere utile quando si interpreta il grado di differenza di importanza tra gli effetti del modello (ovvero potenzialmente più facile da confrontare rispetto ai valori p). La tabella Analisi della varianza viene utilizzata per valutare il modello complessivo. Ulteriori informazioni su queste tabelle sono disponibili nella documentazione della guida di JMP: Riepilogo degli effetti e analisi della varianza.
Il logworth è -log base 10 del valore p. Prendere il logaritmo (in qualsiasi base) del valore p pone il risultato su una scala interpretata in modo più significativo rispetto alla scala 0-1 di un valore p.
Rafi e Greenland (2020) propongono di utilizzare un valore s anziché un valore p; il valore s è -log base 2 del valore p (e quindi è proporzionale al logaritmo) e può essere interpretato per analogia con il lancio di una moneta.
Strumenti semantici e cognitivi a supporto della scienza statistica: sostituire la fiducia e la significatività con la compatibilità e la sorpresa
Metodologia di ricerca medica Rafi e Greenland BMC (2020) 20:244
https://doi.org/10.1186/s12874-020-01105-9
"Il valore S fornisce una scala assoluta su cui visualizzare
le informazioni fornite da un valore P valido, come misurato
calibrando il p osservato rispetto a un meccanismo fisico
che produce dati con probabilità note. Un singolo
il lancio della moneta produce un risultato binario che può essere codificato
poiché 1 = testa, 0 = croce, e quindi richiede solo due simboli
o dichiara di registrare o memorizzare; quindi le informazioni in un
Il lancio singolo è chiamato bit, abbreviazione di cifra binaria, o shannon.
Le informazioni che descrivono una sequenza di lanci richiedono
s bit da registrare o memorizzare; estendendo così questo
misurazione ad un'ipotesi H con valore P p, diciamo la
il test ha fornito s = −log2(p) bit di informazione rispetto a H.
"Sottolineiamo che, senza ulteriori restrizioni, la nostra calibrazione
del valore P contro il lancio della moneta misura solo
informazioni contrarie all'ipotesi di prova, non a supporto
di esso. Questa limitazione è per la ragione puramente logica che
non c'è modo di distinguere tra l'infinità di sfondi
ipotesi che portano a un test con lo stesso o maggiore
Valore P e quindi valore S uguale o inferiore. C'è
nessun modo i dati possono supportare un'ipotesi di test se non relativa
a un insieme fisso di ipotesi di base. Piuttosto che
dando per scontati i presupposti di base, preferiamo
invece di adottare una visione confutativa, che sottolinea che
ogni richiesta di sostegno sarà indebolita dall'ipotesi
incertezza, ed è quindi meglio evitarlo. Questa cautela si applica
indipendentemente dalla statistica del test utilizzata, sia essa P-value, Svalue,
Fattore di Bayes o probabilità a posteriori.
"Come per il valore P, il valore S si riferisce solo a un particolare
test con particolari ipotesi di base. Un diverso
test basati su diversi presupposti di base
di solito producono un valore P diverso e quindi un valore S diverso;
quindi sarebbe un errore chiamare semplicemente il valore S
“le informazioni contrarie all’ipotesi fornite dal
dati”, perché è sempre una prova dell’ipotesi congiunta
con (o condizionato su) le ipotesi. Come esempio di base,
possiamo confrontare il valore P per l'ipotesi nulla stretta
(senza alcun effetto su nessuna unità sperimentale)
confrontando due gruppi sperimentali utilizzando un t-test (che,
insieme alla randomizzazione, presuppone una distribuzione normale
risposte sotto l'ipotesi nulla), al valore P da
un test di permutazione (che presuppone solo la randomizzazione).
Infine, come spiegato nel Supplemento, il valore S
può essere espresso anche utilizzando altre unità logaritmiche come
come logaritmi naturali (in base e), −ln(p), che è matematicamente
più comodo ma non così facile da rappresentare fisicamente."
