Domande riguardanti il test di normalità e l'analisi statistica avanzataCara comunità JMP,
Saluti, sono uno studente che ha iniziato da poco a studiare statistica. Ho un forte interesse nell'applicare le conoscenze che ho appreso in un progetto di ricerca. Mi scuso in anticipo se le mie domande sembrano basilari o inappropriate. Attualmente, Sto conducendo una ricerca distribuendo questionari a 406 pazienti diabetici. Il questionario è composto da dati di genere (categoriali), dati di età (continui) e 6 variabili con scale Likert, dove ogni variabile ha il suo dominio. Dopo aver inserito i dati in MS Excel, ho calcolato i punteggi totali delle risposte (continui), il valore medio delle risposte degli intervistati (continui) e ho anche eseguito la categorizzazione dalle variabili (categoriali). Quindi, ho importato questi dati in JMP Pro 18.
Nella fase iniziale dell'analisi, voglio eseguire un test di normalità. A questo proposito, ho diverse domande:
1. Comeeseguo un test di normalità sulle 6 variabili e sui loro domini? Devo condurre test di normalità per tutte le variabili e i loro domini simultaneamente o separatamente? Oppure hai qualche suggerimento che potrei seguire data la mia situazione attuale in cui sto riscontrando difficoltà con il test di normalità?
2. Cosa dovrei fare se i dati sono distribuiti normalmente o non sono distribuiti normalmente? Questo è importante perché le fasi successive che ho intenzione di condurre sono l'analisi fattoriale confermativa (CFA) e poi la modellazione delle equazioni strutturali (SEM).Apprezzo molto qualsiasi suggerimento e consiglio che possiate fornirmi per aiutarmi a comprendere i passaggi appropriati da seguire nell'analisi di questi dati.
Grazie per l'attenzione e l'assistenza. Cordiali saluti,
Andy
Modellazione statistica avanzataAnalisi e modellazione dei dati di baseOrganizzazione dei contenutiCondivisione e comunicazione dei risultatiFinestreRe: Domande riguardanti il test di normalità e l'analisi statistica avanzataOttime domande, Andy!
Un presupposto fondamentale alla base della stima di massima verosimiglianza in SEM è che le variabili osservate provengano da una distribuzione normale multivariata. Esistono alcuni modi per verificare questo presupposto e, di solito, i controlli visivi (piuttosto che i test formali di normalità) sono sufficienti. Prima di condurre CFA o SEM, suggerirei i seguenti controlli:
Valuta la normalità univariata con Analyze > Distribution. Questa piattaforma visualizza un istogramma per ogni variabile. Il controllo visivo degli istogrammi è solitamente sufficiente per SEM, ma se vuoi, puoi anche guardare i grafici QQ ed eseguire test formali che valutano se ogni variabile proviene da una distribuzione normale.
- Nella piattaforma Distribuzione, fare clic sul menu con il triangolo rosso per una determinata variabile, quindi selezionare Adattamento continuo > Adattamento normale.
- Quindi, fai clic sul menu del triangolo rosso per Fitted Normal Distribution. Per visualizzare un grafico QQ, seleziona Diagnostic Plots > QQ Plot e per condurre un test formale di normalità (il test di Shapiro-Wilk), fai clic su Goodness of Fit:
- Nel grafico QQ, se i dati osservati seguono fedelmente la linea retta, ciò costituisce una buona prova di normalità.
- L'ipotesi nulla del test Shapiro-Wilk è che i dati osservati provengano da una distribuzione normale. Un piccolo valore p significa che dovremmo rifiutare l'ipotesi nulla; pertanto, un valore p non significativo è una buona prova di normalità.
Per avere un'idea delle relazioni a coppie tra le variabili, osserva i grafici a dispersione bivariati con Analizza > Metodi multivariati > Multivariato.
Come ulteriore controllo, potresti anche cercare valori anomali multivariati. Questo può essere fatto all'interno della piattaforma SEM in JMP Pro. Dopo aver avviato la piattaforma SEM, fai clic sul menu del triangolo rosso in alto e seleziona Launch Explore Outliers:
Se questi controlli indicano che i tuoi dati non sono distribuiti normalmente o non sono comunque ben comportati, hai alcune opzioni nella piattaforma SEM. Dopo aver adattato i tuoi modelli, fai di nuovo clic sul menu del triangolo rosso in alto. In Inferenza, ci sono due opzioni: Robust Inference e Bootstrap Inference. Robust Inference ricalcolerà gli errori standard (SE) e le statistiche di adattamento del modello utilizzando la correzione sandwich. Questa correzione produce SE e statistiche di adattamento robuste alla non normalità. Bootstrap Inference utilizzerà il bootstrapping per stimare SE e statistiche di adattamento del modello e i dettagli del processo di bootstrapping (ad esempio, il numero di campioni estratti) possono essere impostati dall'utente. Queste sono entrambe opzioni valide per ottenere inferenze valide nel caso in cui i tuoi dati non siano normali multivariati.
Spero che questo ti aiuti!
Ciao
Re: Domande riguardanti il test di normalità e l'analisi statistica avanzataGentile Signora/Signora Haley
Grazie mille per il tuo aiuto e la tua guida! Apprezzo molto la tua rapida risposta e la tua gentilezza nell'aiutarmi a comprendere i passaggi dell'analisi. Seguirò i tuoi consigli e invierò presto le immagini dei risultati di ogni passaggio il prima possibile.
Spero che queste informazioni possano essere utili a molte persone. Spero anche di comunicare di nuovo con voi dopo aver inviato i risultati di ogni passaggio. Grazie ancora per il vostro aiuto!
Distinti saluti
AndyRe: Domande riguardanti il test di normalità e l'analisi statistica avanzataOggetto: Aggiornamento sui progressi - Prova di analisi JMP
Gentile Sig.ra/Sig.ra Haley,
Spero che questa e-mail ti trovi bene. Vorrei aggiornarti sui progressi della sperimentazione di analisi JMP che è stata suggerita. Ho condotto l'analisi e ho trovato alcuni risultati interessanti.
Ho allegato i miei risultati dall'analisi JMP. Sulla base dei risultati dell'analisi, ho scoperto che tutte le variabili hanno valori p Shapiro-Wilk significativi, il che indica che i dati non sono distribuiti normalmente. Vorrei chiedere il tuo consiglio su cosa fare dopo.
Vorrei anche chiarire se ho commesso errori nella raccolta o nell'analisi dei dati che hanno portato a una distribuzione non normale dei dati. Ho ricontrollato i domini delle variabili e ho scoperto che nessuno di essi è distribuito normalmente.
Spero che possiate aiutarmi a comprendere i risultati di queste analisi e fornirmi indicazioni sui prossimi passi. Grazie per l'attenzione e l'assistenza.
Ho allegato i risultati dell'analisi JMP per vostra informazione.
Grazie,
Andy
Re: Domande riguardanti il test di normalità e l'analisi statistica avanzataCiao Andy,
Mi scuso per il ritardo nella risposta! Grazie per la pazienza.
Sulla base delle cifre nel documento allegato, penso che procedere con Robust Inference sia una buona linea d'azione. Gli istogrammi per età, dieta e attività fisica suggeriscono che le deviazioni di tali variabili dalla normalità non sono di particolare preoccupazione, tuttavia ho notato che la variabile Medicina è molto distorta. L'asimmetria in tale variabile, insieme a significativi test di Shapiro-Wilk, sarebbe una buona giustificazione per l'utilizzo di Robust Inference.
Non posso fornire molte indicazioni sul fatto che la non normalità in queste variabili possa essere il risultato di un errore nella raccolta o nell'analisi dei dati. Potresti ricontrollare che qualsiasi codifica manuale o importazione di dati sia stata eseguita correttamente. Inoltre, tieni a mente il contenuto delle domande/elementi quando consideri se l'asimmetria abbia senso. Farò notare che le variabili non distribuite normalmente sono piuttosto comuni nelle scienze sociali. E come ho notato sopra, le deviazioni dalla normalità in Età, Dieta e PA non sembrano essere significative in senso pratico.
Quando le ipotesi alla base della stima della massima verosimiglianza in SEM vengono violate, le stime puntuali non sono influenzate da tali violazioni; tuttavia, gli errori standard lo sono. Utilizzando l'opzione Robust Inference, gli errori standard verranno corretti in modo che siano "robusti" (ovvero, comunque affidabili) anche se i dati violano l'ipotesi di normalità multivariata. Quindi, suggerirei di mantenere Robust Inference attivata, come hai fatto nel tuo documento!
Spero che questo aiuti,
Ciao
