JMP propose différentes méthodes pour examiner et modéliser de manière interactive la relation entre une variable de sortie (réponse) et une ou plusieurs variables d'entrée (facteurs). Il offre également des outils de modélisation explicative pour déterminer quelles variables contribuent à expliquer une réponse.
Découvrez comment :
- Répondre à des questions pratiques concernant un processus d'analyse de base en utilisant l'exemple de l'emballage du café.
- Que m'apprennent mes données de résistance au pelage sur la qualité du produit ?
- Les deux formulations diffèrent-elles significativement ?
- La résistance du pelage est-elle liée à un autre facteur ?
- Identifier et interpréter les statistiques de distribution des données, notamment le test t à un échantillon, les intervalles de capacité et de tolérance.
- Comparer la formulation en utilisant Fit Y by X, le test à 2 échantillons, les variances inégales, l'ANOVA et les comparaisons multiples de Tukey-Kramer.
- Explorez les relations entre paires de variables à l'aide de la capacité de processus et de la régression linéaire simple.
Ce webinaire aborde les thèmes suivants : Distribution et ajustement de Y par X.
Didn't they know how to bag the coffee so we could open it easily without spilling it?Ignoraient-ils comment emballer le café pour qu'on puisse l'ouvrir facilement sans le renverser ?
Lors du webinaire en direct, Marilyn a répondu à une question sur la définition des préférences en présentant deux méthodes différentes.
Ressources
Bonjour à tous ! Merci à tous ceux qui ont participé en direct aujourd'hui à notre session de formation sur les bases de l'analyse statistique, animée par l'excellente @MarilynWheatley et modérée par mes collègues @gail_massari et @Jeff_Upton.
Voici l'article que j'ai partagé aujourd'hui lors du webinaire Mastering, pendant notre séance de questions-réponses : Vers un monde au-delà de « p < 0,05 »
Il s'agit essentiellement d'un appel à abandonner la prise de décision statistique automatique et basée sur des seuils, pour adopter un cadre de raisonnement statistique plus transparent, contextuel et qui intègre l'incertitude.
L'objectif n'est pas ici de remettre en question l'utilisation des valeurs p avec des seuils de signification stricts, mais de cesser de les considérer comme un substitut à un véritable jugement scientifique. Parmi d'autres idées et suggestions pour une analyse approfondie, il est proposé d'utiliser les valeurs p, le cas échéant, à titre descriptif plutôt que comme un mécanisme de sélection.
- Par exemple, les valeurs p continues peuvent toujours être rapportées, mais :
- sous forme de valeurs exactes (par exemple, p = 0,08),
- sans étiquettes comme « significatif » ou « non significatif »,
- et toujours en tenant compte de l'ampleur des effets et de l'incertitude.
- Et bien sûr, les valeurs p ne devraient jamais dominer l'interprétation.
D'autres pistes de réflexion consistent à accepter l'incertitude dans la prise de décision statistique plutôt que de chercher à l'éliminer.
L'inférence statistique n'est pas équivalente à l'inférence scientifique, et les limites des deux doivent être reconnues au moyen d'une analyse rigoureuse et d'un cadre de référence réfléchi fondé sur les risques.
Pour résumer la question posée aujourd'hui par le public : « Quel est un bon seuil pour la valeur p ? »
Le seuil p<0,05 est un vestige ancré dans l'histoire, et bien que cet article suggère que de petites différences dans les valeurs p (par exemple, 0,049 contre 0,051) ne justifient pas de différences catégorielles dans l'interprétation, je reconnais qu'il existe de nombreux contextes (environnements commerciaux et réglementaires) où une décision de seuil est nécessaire pour la cohérence opérationnelle et pour une analyse rigoureuse et « honnête » basée sur des critères d'acceptation définis.
Avant toute chose, une méthode rigoureuse pour établir le seuil de signification (valeur p) consiste à définir un « seuil de preuve » ( alpha ) avant de mener notre étude. Alpha nous permet de spécifier à l'avance la fréquence tolérée d'une fausse alarme (une fausse alarme étant un rejet erroné de l'hypothèse nulle, c'est-à-dire une situation où nous avons détecté un signal qui n'est en réalité pas un signal réel).
La p-valeur indique la probabilité d'observer le résultat obtenu sous l'hypothèse nulle. On compare cette p-valeur à notre seuil alpha (souvent fixé par convention à 0,05). Si p ≥ alpha, on ne rejette pas l'hypothèse nulle, c'est-à-dire qu'on la considère comme une explication plausible. Si p < 0,05, on ne rejette pas l'hypothèse nulle.
Mais surtout, la valeur p nous indique la probabilité d'obtenir notre résultat, sous l'hypothèse nulle.
Comme toujours, nous sommes là pour répondre à toutes vos questions concernant l'utilisation du logiciel JMP.
-Assistance technique JMP ( support@jmp.com )
