Insegnante di supporto tecnico JMP
Grazie per il tuo aiuto. Sono un grande fan di JMP. Vorrei condurre un'analisi statistica basata sui dati raccolti su un sito web di statistiche sul cancro.
Abbiamo condotto delle statistiche per determinare se alcuni tumori rari hanno maggiori probabilità di causare tumori secondari rispetto ad altri tumori e abbiamo riscontrato il seguente numero di casi.
Duplicati
Sì No
Alcuni tumori rari 827 12204
Oltre ad alcuni tumori rari 129634 4490934
( Totale 130461 4503138 )
Ho due domande.
Domanda 1
Abbiamo intenzione di condurre l'analisi su due gruppi: uno con un certo tipo di tumore raro e uno con un tumore diverso da un certo tipo di tumore raro.
Se volessi eseguire l'analisi chi-quadrato che mi hai precedentemente indicato di fare utilizzando JMP, a quanto pare dovrei creare più di 4,5 milioni di colonne. Pertanto, vorrei eseguire il test esatto di Fisher o il test di Kolmogorov-Smirnov a due campioni in JMP. JMP può essere utilizzato per analizzare più di 4,5 milioni di casi?
Domanda 2
Vorrei verificare se ci sono delle distorsioni dovute all'età nei due gruppi, ma sul sito web delle statistiche sul cancro l'età non è indicata come numero, ma è divisa in blocchi, ad esempio 15-19 anni (vedere i due documenti Excel allegati).
In tal caso, è possibile effettuare l'analisi utilizzando JMP per garantire che non vi siano distorsioni dovute all'età?
Questi sono i due punti. Mi dispiace molto, ma ti sarei grato se potessi fornirmi quante più informazioni possibili.
Ciao @Tessho0730 ,
Benvenuti nella Community!
La prima domanda che mi viene in mente leggendo il tuo post è: perché vuoi utilizzare tutti i dati invece di selezionarne un sottoinsieme rappresentativo?
Elaborare milioni di righe è piuttosto difficile/complesso per qualsiasi computer e software, e non sono sicuro del valore aggiunto che così tante righe possano apportare. Selezionare un sottoinsieme rappresentativo può rendere l'analisi più semplice, più rapida e con lo stesso risultato, e puoi eventualmente utilizzare alcune delle righe rimanenti/non selezionate come convalida per la tua analisi. D'altra parte, a seconda dei tuoi obiettivi, utilizzare così tante righe può "distorcere" notevolmente i risultati di un test statistico: a causa delle dimensioni molto elevate del campione, gli intervalli di confidenza potrebbero essere estremamente piccoli, quindi i test potrebbero produrre risultati statisticamente significativi quasi sempre (a seconda della dimensione/differenza dell'effetto da rilevare e della soglia di valore p/significatività statistica impostata).
Consiglierei di prendersi del tempo extra per riflettere sui propri obiettivi, sulla dimensione del campione richiesta per l'analisi (a seconda del rischio/livello di errore alfa/di tipo I e della differenza/dimensione dell'effetto che si desidera rilevare) utilizzando Power Explorers per i test di ipotesi .
Per quanto riguarda l'età, non credo che questo sia un problema: quando selezioni un campione di dati sulla popolazione, assicurati di avere la stessa ripartizione/proporzione di individui per blocchi di età tra il tuo sottoinsieme/campione e la popolazione.
Alcune letture sui test statistici e sulla dimensione del campione:
Errori di tipo I e di tipo II e potenza statistica - StatPearls - NCBI Bookshelf
Analisi statistica: stime della dimensione del campione e della potenza | BJA Education | Oxford Academic
Spero che questa risposta ti possa aiutare,
@Tessho0730
Per quanto riguarda la domanda 1, penso che tu possa analizzarla inserendo i seguenti dati:
Selezionare Analizza > Adatta Y per X e specificare le colonne per Y, X e frequenza.
Tuttavia, come ha detto Victor, poiché la quantità di dati è elevata, anche se la differenza di proporzione è piccola, il valore P sarà piccolo, quindi bisogna prestare attenzione nell'interpretarlo.
Mi chiamo Hiroaki Ono e lavoro come tester senior nella divisione JMP Japan di SAS Institute Japan Co., Ltd.
■(1) La complessità computazionale del test esatto di Fisher esplode quando la tabella è più grande di una tabella di contingenza 2 x 2 (ad esempio, una tabella di contingenza 5 x 5).
Non si verifica alcuna esplosione computazionale con le tabelle di contingenza 2x2. Potrebbero esserci delle ricerche precedenti che menzionano la dimensione della tabella di contingenza m × n, che è più grande di una tabella di contingenza 2 × 2, e quali specifiche della macchina sono necessarie affinché il test esatto di Fisher non riesca a completare i calcoli, ma non esiste una formula approssimativa per calcolare la quantità di calcoli e, in sostanza, si tratta di un caso di "non sapremo se i calcoli saranno completati finché non ci proveremo".
(2) Se intendi "Voglio eseguire un test per confrontare due gruppi", JMP può calcolare diversi test (e intervalli di confidenza) per confrontare i gruppi.
■Questi sono i miei pensieri personali. Ogni responsabilità ricade esclusivamente su di me e non sull'organizzazione per cui lavoro.
Questo è un po' fuori tema rispetto alla tua domanda, ma personalmente penso che i test statistici per i confronti intergruppo in generale (non solo in JMP) possano essere ampiamente categorizzati come segue:
(a) Test basati su modelli
t-test, regressione logistica, regressione dei rischi proporzionali di Cox
(b) Test basati sulla progettazione
Test di Wilcoxon, test di Cochran-Mantel-Heanzel, test di permutazione, test dei ranghi logaritmici
Si noti che i risultati dei test (a) e (b) possono essere simili, soprattutto quando la dimensione del campione è ampia. Ad esempio, un test di permutazione che utilizza i dati originali come punteggi (= un test CMH che utilizza i valori dei dati originali come punteggi) produrrà risultati simili a un test t quando la dimensione del campione è ampia.
Penso che il vantaggio del metodo (a) sia che può essere facilmente esteso a più variabili. Ad esempio, i test t possono essere facilmente sviluppati in regressioni multiple, la regressione logistica semplice può essere facilmente sviluppata in regressioni logistiche multiple, ecc.
■Supponiamo che la domanda di ricerca sia "I tumori rari aumentano la probabilità di sviluppare altri tumori rispetto ad altri tumori?" e che valga il seguente DAG (grafo aciclico diretto):
+---------- Età -----------------------+
| |
+---> Cancro raro -----> Tumori multipli <---+
Supponiamo che l'età sia l'unico fattore causale nella direzione di questo DAG e che sia un fattore di confondimento tra tumori rari e tumori multipli (in altre parole, non esiste un percorso inverso dai tumori multipli ai tumori rari e, inoltre, non ci sono fattori di confondimento diversi dall'età, come ad esempio il fatto che le persone con uno status economico più elevato hanno maggiori probabilità di sottoporsi a screening per il cancro (anche se non ho idea se una cosa del genere esista) e quindi hanno una maggiore probabilità di scoprire tumori rari e multipli).
Se così fosse, personalmente penso che non sia una buona idea analizzare i dati sulla relazione tra età e rarità, e poi ignorare l'età e concentrarsi sulla relazione tra tumori rari e tumori multipli solo perché non era statisticamente significativa.
■Per divagare, non ho idea di che tipo di informazioni potrebbero essere utili, ma personalmente ho qualche riserva nell'esaminare i dati aggregati per l'intera popolazione, quando la percentuale di tumori rari e tumori multipli varia in base all'età. Sebbene si tratti principalmente di un test descrittivo (piuttosto che di un test statistico incentrato sul processo decisionale binario), personalmente penso che il primo passo sarebbe quello di analizzare la situazione attuale stratificando le persone in base all'età (e ad altri attributi), ad esempio disegnando un grafico a mosaico o utilizzando una curva spline come variabile esplicativa per la regressione logistica per trovare i valori percentuali previsti e rappresentarli graficamente. Dopo aver elaborato i dati, potrei riuscire a creare un grafico come quello allegato in JMP (se siete interessati, rispondete).
