JMP ofrece diversas maneras de examinar y modelar de forma interactiva la relación entre una variable de salida (respuesta) y una o más variables de entrada (factores). También ofrece herramientas para el modelado explicativo que permiten determinar qué variables ayudan a explicar una respuesta.
Vea cómo:
- Responda preguntas prácticas sobre un proceso con análisis básico utilizando como ejemplo un envase de café.
- ¿Qué me dicen los datos sobre la resistencia al desprendimiento del pelado acerca de la calidad del producto?
- ¿Existen diferencias significativas entre las dos formulaciones?
- ¿La resistencia al despegue está relacionada con algún otro factor?
- Identificar e interpretar estadísticas para la distribución de datos, incluyendo la prueba t de una muestra, la capacidad y los intervalos de tolerancia.
- Comparar la formulación utilizando el ajuste de Y por X, la prueba de 2 muestras, las varianzas desiguales, el ANOVA y las comparaciones múltiples de Tukey-Kramer.
- Explora las relaciones entre pares de variables utilizando la capacidad del proceso y la regresión lineal simple.
Este seminario web abarca: Distribución y ajuste Y por X.
Didn't they know how to bag the coffee so we could open it easily without spilling it?¿Es que no sabían cómo envasar el café de forma que pudiéramos abrirlo fácilmente sin derramarlo?
Durante el seminario web en directo, Marilyn respondió a una pregunta sobre cómo establecer preferencias, demostrando dos métodos diferentes.
Recursos
¡Hola a todos! Gracias a quienes nos acompañaron en directo hoy en nuestra sesión de perfeccionamiento en análisis estadístico básico, impartida por la excelente @MarilynWheatley y moderada por mis colegas @gail_massari y @Jeff_Upton.
Aquí está el artículo que compartí en el seminario web de hoy de Mastering durante nuestra sesión de preguntas y respuestas: Avanzando hacia un mundo más allá de “p < 0,05”.
Se trata, básicamente, de un llamamiento a abandonar la toma de decisiones estadísticas automáticas y basadas en umbrales, y a avanzar hacia un marco de razonamiento estadístico más transparente, que tenga en cuenta el contexto y que acepte la incertidumbre.
La idea aquí no es censurar el uso de valores p con umbrales estrictos de significancia, sino dejar de permitir que sustituyan el juicio científico real. Entre otras ideas y sugerencias para un análisis reflexivo, se propone el uso de valores p, en todo caso, como un mecanismo descriptivo, y no como un filtro.
- Por ejemplo, aún se pueden informar valores p continuos, pero:
- como valores exactos (por ejemplo, p = 0,08),
- sin etiquetas como “significativo” o “no significativo”,
- y siempre junto con la magnitud de los efectos y la incertidumbre.
- Y, desde luego, los valores p nunca deberían dominar la interpretación.
Otras directrices incluyen la sugerencia de aceptar la incertidumbre en la toma de decisiones estadísticas en lugar de intentar eliminarla.
La inferencia estadística no es equivalente a la inferencia científica, y deben reconocerse las limitaciones de ambas mediante un análisis cuidadoso y un marco de evaluación de riesgos bien fundamentado.
Para resumir la pregunta del público de hoy: "¿Cuál es un buen punto de corte para el valor p?"
El umbral p<0,05 es un vestigio con fundamentos históricos, y si bien este artículo sugiere que pequeñas diferencias en los valores p (por ejemplo, 0,049 frente a 0,051) no justifican diferencias categóricas en la interpretación, reconozco que existen muchos contextos (entornos empresariales y regulatorios) donde se requiere una decisión de corte para la coherencia operativa y para un análisis cuidadoso y "honesto" basado en criterios de aceptación comprometidos.
Ante todo, una forma rigurosa de establecer el umbral del valor p es mediante la definición de un "estándar de evidencia" ( alfa ) antes de realizar el estudio. Alfa nos permite especificar de antemano con qué frecuencia toleramos una falsa alarma (donde una falsa alarma es un falso rechazo de la hipótesis nula, es decir, una situación en la que detectamos algo que en realidad no es una señal real).
El valor p indica la probabilidad de observar el resultado obtenido bajo la hipótesis nula. Nuestro umbral, alfa (históricamente por convención, a menudo igual a 0,05), es con lo que lo comparamos. Si p ≥ alfa, no rechazamos la hipótesis nula, es decir, la mantenemos como una explicación plausible. Si p
Pero, fundamentalmente, el valor p nos indica la probabilidad de obtener nuestro resultado bajo la hipótesis nula.
Como siempre, estamos aquí para ayudarle con cualquier pregunta que pueda tener sobre el uso del software JMP.
-Soporte técnico de JMP ( soporte@jmp.com )
