L'analyse de covariance est largement utilisée pour comparer les valeurs post-dose entre les groupes de médicaments, en tenant compte de covariables telles que les valeurs pré-dose. Traditionnellement, lorsqu’on applique l’analyse de covariance, on suppose qu’il n’y a pas d’interaction entre les covariables prises en compte et le groupe de médicaments. On sait également que les interactions entre les covariables et les groupes de médicaments sont susceptibles de se produire lorsqu'il existe une limite inférieure à la réponse observée. Dans le cas d’expériences très précises, même une légère différence de pente entre les médicaments a tendance à entraîner une différence statistiquement significative dans les interactions ; dans le cas d’expériences de faible précision, même une petite différence de pente peut entraîner une différence statistiquement significative. Même si c’est le cas, il est peu probable qu’il y ait une différence statistiquement significative. Dans « Ajuster le modèle » de JMP, si vous incluez une interaction entre les covariables et le groupe de médicaments dans le modèle, le centrage est automatiquement effectué uniquement sur la covariable et il est également possible de générer la moyenne des moindres carrés pour le groupe de médicaments. Maintenant, comment interpréter les moyennes des moindres carrés lorsqu’il y a une interaction ? L'analyse de covariance peut être appliquée même lorsqu'il existe des variables confusionnelles, mais des interactions claires sont susceptibles de se produire. Je voudrais signaler que j'ai acquis de nouvelles connaissances sur la façon d'utiliser la moyenne des moindres carrés lorsqu'elle est centrée pour les interactions dans JMP.
