JMP offre una varietà di modalità per esaminare e modellare in modo interattivo la relazione tra una variabile di output (risposta) e una o più variabili di input (fattori). Offre inoltre strumenti per la modellazione esplicativa al fine di determinare quali variabili contribuiscono a spiegare una risposta.
Scopri come:
- Rispondi a domande pratiche su un processo con un'analisi di base utilizzando come esempio il confezionamento del caffè.
- Cosa mi dicono i dati sulla forza di pelatura del mio prodotto in merito alla qualità del prodotto?
- Le due formulazioni differiscono in modo significativo?
- La forza di pelatura è correlata a un altro fattore?
- Identificare e interpretare le statistiche relative alla distribuzione dei dati, inclusi il test t a un campione, gli intervalli di capacità e di tolleranza.
- Confronta le formulazioni utilizzando Fit Y by X, test a 2 campioni, varianze disuguali, ANOVA e confronti multipli di Tukey-Kramer.
- Esplora le relazioni tra coppie di variabili utilizzando la capacità di processo e la regressione lineare semplice.
Questo webinar tratterà i seguenti argomenti: Distribuzione e adattamento di Y a X.
Didn't they know how to bag the coffee so we could open it easily without spilling it?Non sapevano come confezionare il caffè in modo da poterlo aprire facilmente senza rovesciarlo?
Durante il webinar in diretta, Marilyn ha risposto a una domanda sull'impostazione delle preferenze mostrando due metodi diversi.
Risorse
Ciao a tutti! Grazie a tutti coloro che hanno partecipato in diretta oggi alla nostra sessione di approfondimento sull'analisi statistica di base, tenuta dalla bravissima @MarilynWheatley e moderata dai miei colleghi @gail_massari e @Jeff_Upton.
Ecco l'articolo che ho condiviso oggi al Mastering Webinar durante la sessione di domande e risposte: Verso un mondo oltre “p < 0,05”
Si tratta fondamentalmente di un invito ad abbandonare il processo decisionale statistico automatico basato su soglie predefinite e ad adottare un quadro di ragionamento statistico più trasparente, contestualizzato e in grado di tenere conto dell'incertezza.
L'obiettivo non è quello di condannare l'uso dei valori p con soglie di significatività rigide, ma di impedire che si sostituiscano a un vero giudizio scientifico. Tra le varie idee e suggerimenti per un'analisi ponderata, si propone di utilizzare i valori p, se proprio necessario, come strumento descrittivo, piuttosto che come meccanismo di selezione.
- Ad esempio, i valori p continui possono ancora essere riportati, ma:
- come valori esatti (ad esempio, p = 0,08),
- senza etichette come “significativo” o “non significativo”,
- e sempre tenendo conto dell'entità degli effetti e dell'incertezza.
- E certamente, i valori p non dovrebbero mai dominare l'interpretazione.
Tra le altre proposte, si suggerisce di accettare l'incertezza nel processo decisionale statistico anziché cercare di eliminarla.
L'inferenza statistica non è equivalente all'inferenza scientifica, ed entrambe presentano dei limiti, da riconoscere attraverso un'analisi accurata e un'attenta valutazione del rischio.
Per riassumere la domanda posta oggi dal pubblico: "Qual è un buon valore limite per il p-value?"
La soglia p<0,05 è un retaggio con radici storiche, e sebbene questo articolo suggerisca che piccole differenze nei valori p (ad esempio, 0,049 contro 0,051) non giustifichino differenze categoriche nell'interpretazione, riconosco che esistono molti contesti (ambienti aziendali e normativi) in cui è necessaria una decisione di cutoff per coerenza operativa e per un'analisi accurata e "onesta" basata su criteri di accettazione consolidati.
Innanzitutto, un metodo rigoroso per stabilire la soglia del valore p consiste nell'impostare un cosiddetto "standard di evidenza" ( alfa ) prima di avviare lo studio. Alfa ci permette di specificare in anticipo con quale frequenza siamo disposti a tollerare un falso allarme (dove un falso allarme è un falso rifiuto dell'ipotesi nulla, ovvero una situazione in cui abbiamo rilevato qualcosa che in realtà non è un segnale reale).
Il valore p indica la probabilità di osservare il risultato ottenuto sotto l'ipotesi nulla. Il nostro valore di soglia, alfa (spesso storicamente per convenzione pari a 0,05), è quello con cui lo confrontiamo. Se p≥alfa, non rifiutiamo l'ipotesi nulla, ovvero la manteniamo come spiegazione plausibile. Se p
Ma, cosa fondamentale, il valore p ci indica la probabilità di ottenere il nostro risultato, sotto l'ipotesi nulla.
Come sempre, siamo a vostra disposizione per rispondere a qualsiasi domanda sull'utilizzo del software JMP.
-Assistenza tecnica JMP ( support@jmp.com )
