Hola @hartpjb ,
Las transformaciones de datos se utilizan en muchas disciplinas; algunas transformaciones son funcionales (es decir, transformación logarítmica de la concentración al evaluar datos de bioensayos), mientras que otras tienen más fines estéticos/de visualización. Este último es el caso de LogWorth. Como se mencionó anteriormente, esta transformación puede facilitar la visualización e interpretación de valores p truncados. Dos efectos del modelo pueden tener un valor p de 0,0000, lo que le lleva a pensar que son igualmente importantes; Sin embargo, cuando se transforma, es posible que descubra que un efecto de modelo es más importante que otro.
No puedo decir si LogWorth es específico para JMP. Si tiene curiosidad y desea una respuesta más clara, puede considerar sintonizar nuestra JMP Discovery Conference virtual la próxima semana. Hay una sesión "Conozca a los expertos" donde podrá charlar con nuestro equipo de desarrollo, las grandes mentes detrás de JMP.=)
Hola Jeff, gracias por la explicación. logWorth parece exclusivo de JMP. No encuentro ninguna referencia a ello en libros sobre métodos estadísticos, por ejemplo Sokal y Rohlf 'Biometría' o Zar 'Análisis bioestadístico' o Snedecor 'Métodos estadísticos'. ¿Es logWorth peculiar de determinadas disciplinas? - Soy biólogo y quizás tenga una visión limitada del campo estadístico.
Hola @hartpjb ,
Los valores logWorth que se muestran en la tabla de resumen de efectos son transformaciones -log del valor p de cada efecto del modelo. Esta representación puede ser útil al interpretar el grado de diferencia de importancia entre los efectos del modelo (es decir, potencialmente más fácil de comparar que los valores p). La tabla de Análisis de Varianza se utiliza para evaluar el modelo general. Puede encontrar más información sobre estas tablas en la documentación de ayuda de JMP: Resumen de efectos y análisis de varianza.
El logaritmo es el logaritmo en base 10 del valor p. Si se toma el logaritmo (en cualquier base) del valor p, el resultado se interpreta en una escala más significativa que la escala de 0 a 1 de un valor p.
Rafi y Greenland (2020) proponen utilizar un valor s en lugar de un valor p; el valor s es -log base 2 del valor p (y por lo tanto es proporcional a logworth), y puede interpretarse por analogía con el lanzamiento de una moneda.
Herramientas semánticas y cognitivas para ayudar a la ciencia estadística: sustituir la confianza y la significación por la compatibilidad y la sorpresa
Rafi y Groenlandia Metodología de investigación médica de BMC (2020) 20:244
https://doi.org/10.1186/s12874-020-01105-9
"El valor S proporciona una escala absoluta en la que se puede ver
la información proporcionada por un valor P válido, medido
calibrando la p observada frente a un mecanismo físico
que produce datos con probabilidades conocidas. Un solo
El lanzamiento de una moneda produce un resultado binario que puede codificarse.
como 1 = cara, 0 = cruz, y por lo tanto solo requiere dos símbolos
o estados para registrar o almacenar; por lo tanto, la información en un
Un solo lanzamiento se llama bit, abreviatura de dígito binario, o Shannon.
La información que describe una secuencia de s lanzamientos requiere
s bits para registrar o almacenar; por lo tanto, extendiendo esto
medida a una hipótesis H con P-valor p, decimos que
La prueba proporcionó s = −log2(p) bits de información contra H.
“Destacamos que, sin mayores restricciones, nuestra calibración
del valor P frente al lanzamiento de una moneda solo se mide
información contra la hipótesis de prueba, no en apoyo
de ella. Esta limitación se debe a la razón puramente lógica de que
No hay manera de distinguir entre la infinitud del fondo.
Suposiciones que conducen a una prueba con valores iguales o mayores
Valor P y, por lo tanto, el mismo valor S o uno menor. Hay
De ninguna manera los datos pueden respaldar una hipótesis de prueba excepto en términos relativos.
a un conjunto fijo de supuestos de fondo. En lugar de
Dando por sentado los supuestos de fondo, preferimos
En lugar de adoptar una visión refutacional, que enfatiza que
Cualquier afirmación de apoyo se verá socavada por suposiciones
incertidumbre, por lo que es mejor evitarla. Esta precaución se aplica
independientemente de la estadística de prueba utilizada, ya sea el valor P, el valor S,
Factor de Bayes o probabilidad posterior.
"Al igual que el valor P, el valor S se refiere únicamente a un valor particular.
prueba con supuestos de fondo particulares. Una diferente
La prueba basada en diferentes supuestos de fondo
generalmente producen un valor P diferente y, por lo tanto, un valor S diferente;
Por lo tanto, sería un error simplemente llamar al valor S
“la información contra la hipótesis proporcionada por el
datos”, ya que siempre es una prueba de la hipótesis conjunta
con (o condicionado a) los supuestos. Como ejemplo básico,
Podemos contrastar el valor P para la hipótesis nula estricta
(sin efecto sobre ninguna unidad experimental)
comparando dos grupos experimentales utilizando una prueba t (que,
Junto con la aleatorización, se supone que la distribución es normal.
respuestas bajo la hipótesis nula), al valor P de
una prueba de permutación (que supone sólo aleatorización).
Finalmente, como se explica en el Suplemento, el valor S
También se puede expresar utilizando otras unidades logarítmicas como
como logaritmos naturales (base e), −ln(p), que es matemáticamente
"más conveniente pero no tan fácil de representar físicamente".
