Proportion de variance non paramétriqueChère communauté JMP,
J'ai déjà essayé de lire des articles sur des sujets similaires, mais ils ne répondent pas à mes questions.
Laissez-moi d’abord vous expliquer le contexte.
Objectif:
J'essaie de trouver une méthode statistique pour effectuer une décomposition de la variance sur un processus spécifique.
Nous disposons d'un grand nombre de données avec de nombreux facteurs (mélange de données catégorielles et continues) et de réponses (type de données continues).
Constatation :
Jusqu’à présent, la méthode courante consiste à utiliser l’ANOVA (carré êta et carré oméga).
Cependant, nous devons tenir compte des violations d'hypothèses pour l'ANOVA. Si les hypothèses ne sont pas respectées, en particulier celles qui sont essentielles comme l'homogénéité de la variance, la fiabilité du carré Êta est incertaine.
Questions:
Existe-t-il une autre méthode statistique recommandée que nous pourrions utiliser, comme un carré êta « non paramétrique », ou quelque chose qui lui soit équivalent.
Nous savons que l'ANOVA non paramétrique serait Kruskal Wallis, mais je ne suis pas sûr que JMP puisse fournir le « carré êta » sous Kruskal Wallis. Du moins, je ne le trouve pas.
Une autre méthode est l'ANOVA de Welch, mais cette méthode semble fonctionner uniquement sur une voie (un seul facteur), mais mon cas comporte plusieurs facteurs.
Merci d'avance pour vos conseils.
Remarque : j'ai un JMP Pro, au cas où il existerait une méthode disponible sous JMP Pro.
Merci,
Chris
Modélisation statistique avancéeObjet : Proportion de variance non paramétriqueJe suppose que vous pourriez utiliser le modèle d'ajustement, puis saisir tous vos effets comme des effets aléatoires. Cela vous donnerait la variance attribuée à chaque facteur dans le rapport REML.
Objet : Proportion de variance non paramétriqueSalut Byron,
Merci pour la méthode alternative au cas où nous aurions affaire à des effets aléatoires, et la plupart du temps c'est le cas.
D'après ce que j'ai compris, les REML sont également soumis à une violation d'hypothèse similaire à celle de l'ANOVA.
En cas de violation des hypothèses (variance égale, indépendance...), les résultats REML pour la décomposition de la variance sont-ils toujours fiables ?
Sinon, avons-nous une autre méthode statistique qui ne nécessite pas une telle hypothèse en premier lieu ?
Merci,
Chris
Objet : Proportion de variance non paramétriqueSalut @ChrisLooi : JMP Pro offre une grande flexibilité pour modéliser les structures de covariance/corrélation, l'hétéroscédasticité, etc. (via un modèle mixte). Cependant, même si le modèle mixte choisi prend correctement en compte l'hétéroscédasticité et la corrélation (comme vous le suggérez dans votre cas), de simples calculs de type êta au carré (par exemple, le % de variation totale pour chaque facteur) peuvent s'avérer impossibles, car, par exemple, la variance totale peut varier selon les groupes. Il me semble donc que ces simples calculs d'êta au carré n'ont pas beaucoup de sens pour ce type de modèles mixtes.
Objet : Proportion de variance non paramétriqueSalut @ChrisLooi : Une autre façon de penser à cela peut-être : si tout ce qui vous intéresse est l'êta au carré (mesure empirique % de la variabilité totale), mais pas la modélisation, l'estimation des paramètres, la prédiction, etc., alors peut-être appliquez simplement le modèle ANOVA standard et calculez l'êta au carré comme vous le feriez normalement... tout en reconnaissant que l'objectif est différent de la modélisation, etc. (via un modèle mixte).
Matière à réflexion ?
Objet : Proportion de variance non paramétriqueBonjour MRB3855,
Merci pour votre commentaire et votre perspicacité. J'apprécie.
Je suis d'accord, le carré Êta n'est pas fiable étant donné la quantité considérable de données à traiter, qui présentent une forte probabilité de violation des hypothèses. Si le carré Êta n'est pas fiable dans certaines conditions, existe-t-il d'autres méthodes que le carré Êta ?
D'après ce que j'ai lu jusqu'à présent, une autre alternative pourrait être le carré epsilon qui a été dérivé de Kruskal Wallis.
Ce n'est peut-être pas encore parfait pour d'autres raisons, au moins l'exigence d'hypothèse est supprimée.
J'ai compris, JMP ne fournit pas de carré epsilon pour le moment.
Quelqu'un sait peut-être s'il existe un module complémentaire pour le carré epsilon. Il existe un module complémentaire intéressant de 2016 (par Julian), mais il ne calcule que êta, oméga et êta partiel.
https://community.jmp.com/t5/JMP-Add-Ins/Calculate-Effect-Sizes-Add-in/ta-p/22642
Fr,
Chris
Objet : Proportion de variance non paramétriqueSalut Chris,
Je pense que la réponse la plus directe à votre question est que JMP n'intègre pas cela, sauf peut-être dans un contexte de R-carré d'entropie dans les modèles de type régression logistique. Toutes les méthodes actuelles, REML, EMS et bayésienne, sont intrinsèquement paramétriques (et utilisent la distribution normale, même indirectement).
Les approches non paramétriques de la variance (ou de l'étendue) peuvent être basées sur l'entropie ; vous pouvez donc effectuer des recherches à ce sujet (mais cela n'est pas pris en compte dans l'implémentation actuelle de JMP). Vous pouvez également explorer la plateforme MSA Design (Variance Component Estimator Expected Performance) pour voir si des composants simulés pourraient vous aider dans le contexte de votre problème spécifique. Je vous recommande également de consulter Bootstrapping dans JMP ( https://www.jmp.com/support/help/fr/18.1/jmp/bootstrapping.shtml ) et les tests de permutation ( https://www.jmp.com/support/help/en/18.2/jmp/example-of-a-permutation-test.shtml ).
