Je souhaite comprendre pourquoi le score de robustesse est toujours de +- 2,5. En quoi est-il meilleur que le graphique volcanique ? Quel est le principe détaillé de ce changement dans la mise à jour JMP18 par rapport à JMP 8 ?
Bonjour!
L’idée principale est que les sujets identifiés comme valeurs aberrantes dans les analyses multivariées devraient généralement apparaître également comme valeurs aberrantes dans les analyses univariées, ou au moins être détectables dans une ou plusieurs dimensions univariées.
Le rapport sur les valeurs aberrantes identifie les valeurs aberrantes potentielles à l'aide d'un algorithme de détection univariée appliqué à des tests individuels dans les domaines de résultats. Des scores robustes, basés sur la méthodologie de Rousseeuw et Hubert (2011), sont calculés pour chaque résultat. Les observations dont les scores robustes sont supérieurs à 2,5 ou inférieurs à -2,5 sont signalées comme valeurs aberrantes potentielles.
En se référant à Rousseeuw et Hubert (2011), les scores robustes sont calculés selon la formule (x_i - médiane)/MAD, similaire au format des scores z. La valeur 2,5 est une valeur de référence suggérée. Nous avons choisi 2,5 car les scores supérieurs à ±2,5 correspondent approximativement à des points de données plus extrêmes que 98 à 99 % d'un ensemble de données normalement distribué.
Ces scores robustes sont résumés par site d'étude dans la figure 2, intitulée « Valeurs aberrantes univariées par site d'étude ». Cette visualisation permet aux utilisateurs d'identifier rapidement les valeurs aberrantes pour chaque site. Des détails supplémentaires sont accessibles en survolant les points du graphique ou en sélectionnant des points et en affichant les tableaux associés (Afficher les tableaux).
Les boîtes à moustaches actuelles affichent des scores robustes par catégorie, mettant en évidence visuellement la distribution, la médiane et les valeurs aberrantes au sein de chaque groupe. Contrairement au diagramme volcan, qui privilégie la magnitude par rapport à la significativité (par exemple, variation de facteur de pondération par rapport à la valeur de p), la boîte à moustaches visualise directement la variation au niveau de la catégorie et met explicitement en évidence les valeurs aberrantes individuelles, ce qui facilite et rend plus intuitive la détection et la comparaison robustes des valeurs aberrantes entre les catégories.
N'hésitez pas à nous contacter si vous avez d'autres questions ! Nous serons ravis d'en discuter.
