JMP bietet vielfältige Möglichkeiten, die Beziehung zwischen einer Zielgröße (Antwortvariable) und einer oder mehreren Eingangsvariablen (Faktoren) interaktiv zu untersuchen und zu modellieren. Es bietet außerdem Werkzeuge für die erklärende Modellierung, um zu ermitteln, welche Variablen zur Erklärung einer Antwort beitragen.
So geht's:
- Beantworten Sie praktische Fragen zu einem Prozess mit einfacher Analyse anhand eines Beispiels aus der Kaffeeverpackungsbranche.
- Was sagen mir die Daten zur Schälfestigkeit über die Produktqualität aus?
- Gibt es signifikante Unterschiede zwischen den beiden Formulierungen?
- Besteht ein Zusammenhang zwischen der Schälfestigkeit und einem anderen Faktor?
- Identifizieren und interpretieren Sie Statistiken zur Verteilung von Daten, einschließlich des t-Tests für eine Stichprobe, Fähigkeits- und Toleranzintervallen.
- Vergleichen Sie die Formulierungen mithilfe von Fit Y by X, dem 2-Stichproben-Test, ungleichen Varianzen, ANOVA und dem Tukey-Kramer-Mehrfachvergleichstest.
- Untersuchen Sie die Beziehungen zwischen Variablenpaaren mithilfe der Prozessfähigkeit und der einfachen linearen Regression.
Dieses Webinar behandelt folgende Themen: Vertrieb und Anpassung von Y an X.
Didn't they know how to bag the coffee so we could open it easily without spilling it?Wussten die denn nicht, wie man den Kaffee so verpackt, dass man ihn leicht öffnen kann, ohne etwas zu verschütten?
Im Live-Webinar beantwortete Marilyn eine Frage zum Festlegen von Präferenzen, indem sie zwei verschiedene Methoden demonstrierte.
Ressourcen
Hallo zusammen! Vielen Dank an alle, die heute live an unserer Master-Session zur statistischen Grundlagenanalyse teilgenommen haben. Die Session wurde von der hervorragenden @MarilynWheatley geleitet und von meinen Kollegen @gail_massari und @Jeff_Upton moderiert.
Hier ist der Artikel, den ich heute im Mastering-Webinar während unserer Fragerunde geteilt habe: Auf dem Weg in eine Welt jenseits von „p < 0,05“.
Es ist im Grunde ein Aufruf, sich von automatischen, schwellenwertbasierten statistischen Entscheidungsprozessen abzuwenden und hin zu einem transparenteren, kontextsensitiven und Unsicherheiten berücksichtigenden statistischen Schlussfolgerungsrahmen zu gelangen.
Hier geht es nicht darum, die Verwendung von p-Werten mit strengen Signifikanzgrenzen zu kritisieren, sondern darum, sie nicht länger als Ersatz für echte wissenschaftliche Beurteilung zu verwenden. Neben anderen Anregungen für eine durchdachte Analyse wird vorgeschlagen, p-Werte, wenn überhaupt, nur deskriptiv und nicht als Entscheidungskriterium einzusetzen.
- Beispielsweise können weiterhin kontinuierliche p-Werte angegeben werden, aber:
- als exakte Werte (z. B. p = 0,08),
- ohne Bezeichnungen wie „signifikant“ oder „nicht signifikant“,
- und immer auch in Verbindung mit Effektstärken und Unsicherheiten.
- Und p-Werte sollten ganz sicher niemals die Interpretation dominieren.
Weitere Ansätze beinhalten den Vorschlag, Unsicherheit bei statistischen Entscheidungen zu akzeptieren, anstatt zu versuchen, sie zu eliminieren.
Statistische Schlussfolgerungen sind nicht gleichzusetzen mit wissenschaftlichen Schlussfolgerungen; die Grenzen beider Ansätze sollten durch sorgfältige Analyse und einen durchdachten risikobasierten Rahmen anerkannt werden.
Zusammenfassend lässt sich die heutige Frage aus dem Publikum wie folgt darstellen: „Was ist ein guter Grenzwert für den p-Wert?“
Der Schwellenwert p<0,05 ist ein Überbleibsel mit historischen Bezügen, und obwohl dieser Artikel nahelegt, dass kleine Unterschiede in den p-Werten (z. B. 0,049 vs. 0,051) keine kategorischen Unterschiede in der Interpretation rechtfertigen, erkenne ich an, dass es viele Kontexte (Geschäfts- und Regulierungsumfelder) gibt, in denen eine Abbruchentscheidung für die operative Konsistenz und für eine sorgfältige und "ehrliche" Analyse auf der Grundlage festgelegter Akzeptanzkriterien erforderlich ist.
Eine besonders strenge Methode zur Bestimmung des p-Wert-Schwellenwerts besteht darin, vor Beginn der Studie einen sogenannten „Evidenzstandard“ ( Alpha ) festzulegen. Alpha ermöglicht es uns, im Voraus zu bestimmen, wie häufig wir einen Fehlalarm tolerieren (wobei ein Fehlalarm eine fälschliche Ablehnung der Nullhypothese darstellt, also eine Situation, in der wir etwas detektiert haben, das in Wirklichkeit kein reales Signal ist).
Der p-Wert gibt an, wie wahrscheinlich es ist, das unter der Nullhypothese erhaltene Ergebnis zu beobachten. Unser Schwellenwert, Alpha (historisch oft konventionsgemäß gleich 0,05), dient als Vergleichswert. Ist p ≥ Alpha, verwerfen wir die Nullhypothese nicht, d. h., wir behalten sie als plausible Erklärung bei. Ist p < 0,05, …
Entscheidend ist jedoch, dass der p-Wert uns angibt, wie wahrscheinlich es ist, dass wir unser Ergebnis unter der Nullhypothese erhalten.
Wie immer stehen wir Ihnen bei Fragen zur Verwendung der JMP-Software gerne zur Verfügung.
-JMP Technischer Support ( support@jmp.com )
