Professeur de support technique JMP
Merci pour votre aide. Je suis un grand fan de JMP. J'aimerais effectuer une analyse statistique basée sur les statistiques recueillies sur un site Web de statistiques sur le cancer.
Nous avons effectué des statistiques pour déterminer si certains cancers rares sont plus susceptibles de provoquer des cancers secondaires que d’autres cancers, et nous avons trouvé le nombre de cas suivant.
Doublons
Oui Non
Certains cancers rares 827 12204
Autres que certains cancers rares 129634 4490934
( Total 130461 4503138 )
J'ai deux questions.
Question 1
Nous prévoyons de mener une analyse sur deux groupes : l’un atteint d’un certain cancer rare et l’autre atteint d’un cancer autre qu’un certain cancer rare.
Si je souhaite effectuer l’analyse du chi-carré que vous m’avez demandé de faire précédemment à l’aide de JMP, il semble que je devrai créer plus de 4,5 millions de colonnes. Par conséquent, je voudrais effectuer le test exact de Fisher ou le test de Kolmogorov-Smirnov à deux échantillons dans JMP. JMP peut-il être utilisé pour analyser plus de 4,5 millions de cas ?
Question 2
J'aimerais voir s'il y a un biais lié à l'âge dans les deux groupes, mais sur le site Web des statistiques sur le cancer, l'âge n'est pas indiqué sous forme de nombre, mais est divisé en blocs tels que 15 à 19 ans (veuillez consulter les deux documents Excel ci-joints).
Dans ce cas, est-il possible d’analyser à l’aide de JMP pour s’assurer qu’il n’y a pas de biais lié à l’âge ?
Ce sont les deux points. Je suis vraiment désolé, mais je vous serais reconnaissant si vous pouviez me donner autant d'informations que possible.
Salut @Tessho0730 ,
Bienvenue dans la Communauté !
La première question qui me vient à l’esprit en lisant votre article est pourquoi souhaitez-vous utiliser toutes les données, au lieu de sélectionner un sous-ensemble représentatif ?
Traiter des millions de lignes est assez difficile/complexe pour n'importe quel ordinateur et logiciel, et je ne suis pas sûr de la valeur ajoutée que peuvent apporter autant de lignes. Sélectionner un sous-ensemble représentatif peut rendre l'analyse plus facile, plus rapide et avec le même résultat, et vous pouvez éventuellement utiliser certaines des lignes restantes/non sélectionnées comme validation pour votre analyse. D'un autre côté, en fonction de vos objectifs, l'utilisation d'un si grand nombre de lignes peut fortement "biaiser" les résultats d'un test statistique : en raison de la taille très élevée de l'échantillon, les intervalles de confiance peuvent être extrêmement petits, de sorte que les tests peuvent presque toujours aboutir à des résultats statistiquement significatifs (en fonction de la taille de l'effet/différence à détecter et de la valeur p/seuil de signification statistique fixé).
Je recommanderais de consacrer du temps supplémentaire pour réfléchir à vos objectifs, à la taille de l'échantillon requise pour votre analyse (en fonction du niveau d'erreur de risque/alpha/type I et de la taille de la différence/de l'effet que vous souhaitez détecter) en utilisant Power Explorers pour les tests d'hypothèses .
Concernant l'âge, je ne pense pas que cela pose problème : lors de la sélection d'un échantillon de données de population, assurez-vous d'avoir la même répartition/proportion d'individus par tranches d'âge entre votre sous-ensemble/échantillon et la population.
Quelques lectures sur les tests statistiques et la taille de l'échantillon :
Erreurs de type I et de type II et puissance statistique - StatPearls - NCBI Bookshelf
Analyse statistique : taille de l'échantillon et estimations de puissance | BJA Education | Oxford Academic
J'espère que cette réponse pourra vous aider,
@Tessho0730
Concernant la question 1, je pense que vous pouvez l'analyser en saisissant les données suivantes :
Sélectionnez Analyser > Ajuster Y par X et spécifiez les colonnes pour Y, X et la fréquence.
Cependant, comme l’a mentionné Victor, étant donné que la quantité de données est importante, même si la différence de proportion est faible, la valeur P sera faible, il faut donc être prudent lors de son interprétation.
Je m'appelle Hiroaki Ono et je travaille comme testeur senior dans la division JMP Japon de SAS Institute Japan Co., Ltd.
■(1) La complexité de calcul du test exact de Fisher explose lorsque le tableau est plus grand qu’un tableau de contingence 2 x 2 (par exemple, un tableau de contingence 5 x 5).
Il n’y a pas d’explosion informatique avec les tables de contingence 2x2. Il existe peut-être des recherches antérieures qui mentionnent quelle taille de tableau de contingence m × n, qui est plus grande qu'un tableau de contingence 2 × 2, et quel type de spécifications de machine sont nécessaires pour que le test exact de Fisher ne parvienne pas à terminer les calculs, mais il n'existe pas de formule approximative pour calculer la quantité de calculs, et en substance, il s'agit du cas suivant : « nous ne saurons pas si les calculs seront terminés tant que nous n'aurons pas essayé ».
(2) Si vous voulez dire « Je veux effectuer un test pour comparer deux groupes », JMP peut calculer plusieurs tests (et intervalles de confiance) pour comparer les groupes.
■Voici mes réflexions personnelles. Toute responsabilité incombe uniquement à moi et non à l’organisation pour laquelle je travaille.
Ceci est un peu hors sujet par rapport à votre question, mais je pense personnellement que les tests statistiques pour les comparaisons intergroupes en général (pas seulement dans JMP) peuvent être globalement classés comme suit :
(a) Tests basés sur des modèles
test t, régression logistique, régression à risques proportionnels de Cox
(b) Tests basés sur la conception
Test de Wilcoxon, test de Cochran-Mantel-Heanzel, test de permutation, test du log-rank
Notez que les résultats des tests (a) et (b) peuvent être similaires, en particulier lorsque la taille de l’échantillon est grande. Par exemple, un test de permutation utilisant les données originales comme scores (= un test CMH utilisant les valeurs des données originales comme scores) produira des résultats similaires à un test t lorsque la taille de l'échantillon est grande.
Je pense que l’avantage de la méthode (a) est qu’elle peut être facilement étendue à plusieurs variables. Par exemple, les tests t peuvent facilement être développés en régression multiple, la régression logistique simple peut facilement être développée en régression logistique multiple, etc.
■Disons que la question de recherche est « Les cancers rares augmentent-ils la probabilité de développer d'autres cancers par rapport à d'autres cancers ? » et que le DAG (Directed Acyclic Graph) suivant est vrai :
+---------- Âge -----------------------+
| |
+---> Cancer rare -----> Cancers multiples <---+
Supposons que l'âge soit le seul facteur causal dans le sens de ce DAG, et qu'il soit un facteur de confusion entre les cancers rares et les cancers multiples (en d'autres termes, il n'y a pas de chemin inverse entre les cancers multiples et les cancers rares, et de plus, il n'y a pas de facteurs de confusion autres que l'âge, comme le fait que les personnes ayant un statut économique plus élevé soient plus susceptibles de subir un dépistage du cancer (même si je n'ai aucune idée si une telle chose existe), et ont donc une probabilité plus élevée de découvrir des cancers rares et multiples).
Si tel est le cas, je pense personnellement que ce n’est pas une bonne idée d’examiner les données sur la relation entre l’âge et la rareté, puis d’ignorer l’âge et d’examiner la relation entre les cancers rares et les cancers multiples simplement parce qu’elle n’est pas statistiquement significative.
■Pour m’éloigner du sujet, je n’ai aucune idée du type d’information qui serait utile, mais j’ai personnellement quelques réserves quant à l’examen des données agrégées pour l’ensemble de la population, alors que les taux de cancers rares et multiples varient selon l’âge. Bien qu'il s'agisse principalement d'un test descriptif (plutôt que d'un test statistique axé sur la prise de décision binaire), je pense personnellement que la première étape serait d'examiner la situation actuelle en stratifiant les personnes par âge (et d'autres attributs), par exemple en dessinant un graphique en mosaïque ou en utilisant une courbe spline comme variable explicative pour la régression logistique pour trouver les valeurs de pourcentage prédites et les tracer. Après quelques traitements de données, je pourrai peut-être créer un graphique comme celui joint dans JMP (répondez si vous êtes intéressé).
