Bonjour à tous, @martindemel
dans JMP 18.0.1, je lance un modèle linéaire :
Y ~ X1 * X2
Où :
- Y est la réponse continue
- X1 est un régresseur continu
- X2 est un régresseur catégoriel (3 catégories nommées « A », « B », « C »)
Certaines personnes appellent ce modèle une ANCOVA
De cela j'obtiens :
une interception et une pente (sur X1) par catégories de X2., comme dans le graphique suivant :
J'aimerais comparer ces pentes entre elles deux à deux .
comme ça (fait dans R 4.2.2
bibliothèque (signifie)
paires(emtrends(lm(Y ~ X2 * X1, données = df), ~ X2, var="X1"))
contrast estimate SE df t.ratio p.value
A - B 0.211 0.0616 54 3.431 0.0033
A - C -1.721 0.0616 54 -27.934 <.0001
B - C -1.932 0.0616 54 -31.365 <.0001
P value adjustment: tukey method for comparing a family of 3 estimates
Pour l'instant, dans JMP je n'ai trouvé que des moyens de faire des choses très proches mais pas exactement ce que je veux :
1. Approche du modèle d'ajustement : comparer les pentes avec la moyenne globale
--> Triangle rouge / estimations / Comparaison des pentes
Cela compare chaque pente à la pente moyenne (avec un ajustement Nelson)
2. Approche de la courbe d'ajustement : résultats du test d'équivalence
--> triangle rouge (à partir de l'ajustement linéaire) / Test d'équivalence
Cette approche effectue des tests d'équivalence par paires (sur les catégories de X2) pour chaque paramètre de l'ajustement. Ici, il n'y a que 2 paramètres, l'intercept et la pente.
Conclusion et question finale :
Je sais qu'il existe plusieurs façons de déterminer si une pente est différente des autres. Mais je recherche l'approche spécifique de la comparaison par paires entre les pentes (la même que celle réalisable dans R, voir ci-dessus).
Description des pièces jointes :
- data.xlsx = Fichier Excel des données (données simulées)
- Compare_slopes_example.jmp = Tableau JMP, avec les données de data.xlsx et le modèle d'ajustement, les analyses de courbes d'ajustement enregistrées dans celui-ci.
Je vous remercie beaucoup pour votre aide !
Passe une bonne journée = )
super ajout @MRB3855
D'après le message, j'ai compris que le test personnalisé devait être configuré comme cela (où les trois premières colonnes ne sont pas nécessaires mais montrent ce que @Mark_Bailey a décrit dans sa réponse :
Bonjour, j'ai trouvé un autre fil de discussion qui traite de cette question plus en détail. Ils abordent, autant que je sache, le fait que vous ne voulez pas seulement comprendre s'il y a une différence dans les pentes, mais quelle différence dans chaque comparaison.
Comparaison des pentes
L'une des approches est une sorte d'approche manuelle prenant chaque niveau comme référence (en utilisant l'ordre des valeurs pour les niveaux) et en ajustant un modèle, l'autre utilise l'ajustement non linéaire. @julian a également créé un module complémentaire, semble-t-il (que l'on trouve également dans le fil de discussion), mais je ne sais pas à quel point il est actuel, car le message et le module complémentaire datent tous deux de 2016.
[modifier:btw cette première approche a également été intégrée dans une note JMP pour référence : [lien supprimé car il n'était pas accessible à tous les utilisateurs]]
Oui, @dlehman1 a raison. Avec le modèle qu'il a spécifié, le test de X2 vous indiquera si les interceptions des trois lignes sont différentes. Le test de l'interaction vous indiquera si les pentes sont différentes. Pour comprendre pourquoi, regardez l'équation de prédiction de ce modèle et vous pourrez voir comment le paramètre X2 est un ajustement de l'interception tandis que le paramètre X1*X2 est un ajustement de la pente X1.
Je pense que vous souhaitez utiliser la plateforme de modèle Fit en utilisant X1, X2 et X1*X2 (effet croisé) comme facteurs. Cela permet à la fois aux pentes et aux interceptions de varier et je pense que cela fournit toutes les informations nécessaires pour comparer statistiquement les pentes et les interceptions avec les moyennes et entre elles. Quelqu'un ayant une formation statistique plus complète peut probablement suggérer exactement où chercher ces informations.
Merci @MRB3855, @martindemel
grâce à ce test personnalisé et aux contrastes montrés par @martindemel J'ai les mêmes résultats qu'avec R.
La seule chose qui pourrait rester serait d’obtenir un ajustement de Tuckey des valeurs p.
Merci beaucoup !
