Test post-hoc après une ANOVA à deux facteurs : Comment appliquer la correction de Bonferroni dans JMPJe suis en train d'analyser des données multi-groupes à l'aide d'une ANOVA à deux facteurs (Groupe × Temps), et j'aimerais savoir comment effectuer un test post-hoc en utilisant la méthode de Bonferroni dans JMP.
Normalement, j'utilise le test HSD de Tukey pour les comparaisons multiples, mais je suis tenu de présenter également les résultats en utilisant des comparaisons ajustées par la méthode de Bonferroni.
J'ai consulté la documentation d'aide de JMP et j'y ai trouvé des explications sur les méthodes de comparaison multiple dans l'ANOVA à un facteur (Tukey, Dunnett, etc.).
Cependant, je n'ai pas trouvé de description claire de la manière d'appliquer l'ajustement de Bonferroni après une ANOVA à deux facteurs, en particulier à partir de la plateforme « Least Squares Means ».
Pourriez-vous me conseiller sur les points suivants ?
Lorsque l'interaction est significative, quelle est la procédure correcte dans JMP pour effectuer des comparaisons d'effets simples avec ajustement de Bonferroni après une ANOVA à deux facteurs (Ajustement du modèle) ?
Dans les explications non paramétriques, la correction de Bonferroni est parfois décrite comme « la multiplication de chaque valeur p du test t par le nombre de comparaisons ».
Cette interprétation est-elle également acceptable dans JMP, ou existe-t-il une méthode intégrée recommandée pour l'ajustement de Bonferroni ?
Vos conseils seraient grandement appréciés.
Merci beaucoup.
Cordialement,
Analyse et modélisation de données de baseRe : Test post-hoc après une ANOVA à deux facteurs : Comment appliquer la correction de Bonferroni dans JMPBonjour @LossMarmot707 : Oui, « multiplier chaque valeur p du test t par le nombre de comparaisons » revient au même que la correction de Bonferroni, quel que soit le logiciel utilisé. Mais pourquoi vouloir comparer des effets simples en présence d’une interaction ? Cela pourrait être très trompeur. Par exemple, il pourrait y avoir une différence importante entre deux groupes à chaque point temporel respectif, mais cette différence pourrait être très faible une fois moyennée sur l’ensemble des points temporels.
Édit : Ou bien, une autre façon d'effectuer l'ajustement de Bonferroni serait de modifier alpha (en alpha/k, où k est le nombre de comparaisons) dans la plateforme Fit Model (triangle rouge à côté de « Spécification du modèle »), puis d'utiliser les intervalles t de Student.
Re : Test post-hoc après une ANOVA à deux facteurs : Comment appliquer la correction de Bonferroni dans JMPMerci pour votre commentaire.
Je comprends que l'ajustement de Bonferroni est une approche standard pour contrôler l'erreur de type I lorsque des comparaisons multiples sont effectuées.
Même lorsqu'une interaction est significative, l'interprétation des seuls effets principaux peut conduire à une compréhension erronée de la tendance générale. C'est pourquoi il est généralement recommandé d'examiner les effets séparément pour chaque condition (c'est-à-dire de comparer les effets simples), par exemple à chaque instant ou niveau de concentration.
La présence d'une interaction indique que
« l’effet d’un facteur change en fonction du niveau de l’autre facteur »,
ce qui signifie que le fait de ne considérer que les moyennes globales peut masquer des tendances importantes dans les données.
Par conséquent, dans la présente analyse, j'ai examiné les différences entre les groupes au sein de chaque condition en utilisant des comparaisons post hoc suivant l'ANOVA à deux facteurs, afin de clarifier ces tendances.
De plus, ma question initiale portait précisément sur la manière d'effectuer des tests post hoc avec ajustement de Bonferroni à l'aide du logiciel statistique JMP.
Cela dit, comme vous l'avez mentionné, ajuster alpha à α/k et utiliser les intervalles t de Student peut en effet être une autre façon pratique de mettre en œuvre la correction de Bonferroni.
Re : Test post-hoc après une ANOVA à deux facteurs : Comment appliquer la correction de Bonferroni dans JMPVous pouvez effectuer un « test d'effet simple » par l'option [Tranches d'essai] du menu du triangle rouge pour le terme d'intersection, et vous pouvez exporter les valeurs p dans un tableau de données par [Créer un tableau de données combinées] .
(1) Sélectionnez [Analyser] > [Ajuster le modèle] .
(2) Définissez la variable Y et définissez les interactions à deux facteurs (par exemple, « A, B et A*B »).
Dans la configuration par défaut, vous pouvez voir les graphiques de levier sur le côté droit (« A », « B » et « A*B »).
(3) Cliquez sur le menu du triangle rouge à « A*B » et sélectionnez [Tranche test] .
Vous pouvez consulter les rapports F et les valeurs p des « tests d'effet simple ». Cependant, ces valeurs p ne sont pas ajustées pour la multiplicité des tests.
(4) Faites un clic droit sur un tableau pour un test d'effet simple, et sélectionnez [Créer un tableau de données combinées] .
Vous pouvez désormais consulter les résultats des tests dans un tableau de données JMP.
(5) Supprimez les lignes qui ne vous intéressent pas et ne laissez que celles qui vous intéressent.
(6) Cliquez avec le bouton droit sur l'en-tête de colonne « Prob>F », puis sélectionnez [Nouvelle colonne de formule] > [Formule...] . La fenêtre de l'éditeur de formules s'ouvre.
(7) Tapez la formule suivante.
Min(:"Prob > F"n * N Ligne(), 1);
Cliquez sur [D'ACCORD] pour appliquer la formule et fermer la fenêtre.
(8) Modifiez le nom de la colonne, par exemple « Probabilité ajustée > F ».
(9) Sélectionnez [Modifier] > [Journal] . Vous pouvez maintenant créer le tableau des valeurs p ajustées de Bonferroni.
PS
Personnellement, je déconseille fortement de se limiter au calcul des valeurs p ou d'adopter une approche qui considère les valeurs p comme la seule explication. Il est possible de créer des graphiques plus informatifs pour visualiser l'interaction entre les deux facteurs.
(A) Après l'étape 2 ci-dessus, cliquez sur le triangle rouge en haut de la fenêtre, puis sélectionnez [Profilage des facteurs] > [Graphiques d'interaction] . Vous pouvez alors visualiser le graphique d'interaction.
(B) Après l'étape 2 ci-dessus, cliquez sur le triangle rouge en haut de la fenêtre, puis sélectionnez [Profilage des facteurs] > [Profiler]. Dans le Profiler de prédiction, sélectionnez [Interaction superposée]. Ce graphique est identique au graphique d'interaction lorsqu'il n'y a que deux facteurs. Cependant, le Profiler de prédiction est interactif et vous permet de visualiser plus de deux facteurs simultanément.
(C) Vous pouvez créer d'autres graphiques grâce au générateur de graphiques.
Je pense également qu'il aurait fallu préciser les contrastes que vous comptiez tester avant la collecte des données, si vous souhaitiez réellement ajuster la multiplicité. Si vous choisissez les contrastes à tester après avoir analysé vos données, la multiplicité ne sera pas correctement ajustée.
Re : Test post-hoc après une ANOVA à deux facteurs : Comment appliquer la correction de Bonferroni dans JMPMerci beaucoup pour votre explication détaillée sur la manière d'effectuer la procédure de test de tranche.
J'apprécie sincèrement vos conseils clairs et j'ai poursuivi mon analyse en suivant les étapes que vous m'avez fournies.
Je souhaiterais poser une question supplémentaire concernant mon analyse actuelle.
Actuellement, j'analyse des données d'expérimentation animale (pression artérielle, fréquence cardiaque, etc.) obtenues à partir d'études d'administration de médicaments à l'aide de JMP.
Les mesures sont prises chaque semaine, et je travaille avec 20 semaines de données.
Pour l'analyse,
Je réalise une ANOVA à deux facteurs avec le type de médicament administré (groupe) et la semaine de mesure comme facteurs.
Lorsque des différences significatives entre les groupes sont détectées, je souhaiterais effectuer des tests post hoc de Bonferroni (tests d'effet simples utilisant Test Slice).
Cependant, bien que je sois capable d'effectuer moi-même l'ANOVA à deux facteurs,
Je ne peux pas effectuer les tests post hoc par la suite, car les comparaisons hebdomadaires de groupes à l'aide de Test Slice n'apparaissent pas comme prévu.
En particulier,
JMP n'affiche pas les graphiques dans la fenêtre d'analyse avec les valeurs de mesure sur l'axe Y et la semaine de mesure sur l'axe X pour chaque groupe de traitement.
Et je pense que cela pourrait être la source du problème.
Si possible, je vous serais très reconnaissant de me conseiller sur
Quelles causes potentielles dois-je envisager ou quels paramètres dois-je vérifier ?
afin de résoudre cette situation.
Merci de votre aide.
Re : Test post-hoc après une ANOVA à deux facteurs : Comment appliquer la correction de Bonferroni dans JMPJe désigne les deux principaux effets fixes par Semaine et Groupe , et le terme d'interaction à deux facteurs par Semaine*Groupe . Je suppose que vous incluez également l'effet aléatoire des animaux, que je désigne par Identifiant de l'animal .
Y = Week Group Week*Group Animal ID&Random Effect
Si votre modèle inclut des effets aléatoires, l' option par défaut « Rapport minimal » est activée. Dans ce cas, ouvrez le plan « Détails de l'effet » . Vous y trouverez le plan « Groupe*Semaine » .
Ou bien, vous devez sélectionner « Effet de levier » pour l’accentuation dans la boîte de dialogue de lancement.
Avant d'essayer avec vos propres données, veuillez tester l'analyse sur les données fictives suivantes.
(1) Sélectionnez Fichier > Nouveau > Script JSL . L'éditeur de script est ouvert.
(2) Copiez et collez le code suivant dans l'éditeur de script.
Names Default To Here(1);
Random Reset(1111111);
n group = 2;
n animals per group = 10;
n week = 20;
data = [];
id = 0;
For(group = 1, group <= n group, group++,
For(i=1, i <= n animals per group, i++,
id++;
f = Random Normal();
For(week = 1, week <= n week, week++,
y = week + group + f + Random Normal();
If(week>=10 & group==1, y += 10 - week);
data|/=group||id||week||y;
);
);
);
dt = As Table(data, <
<COLUMN names=""></COLUMN>
<P>(3) Dans l’éditeur de script, sélectionnez <STRONG>Édition</STRONG> > <STRONG>Exécuter le script</STRONG> .<BR /> (4) Faites l’analyse ci-dessus et voyez si c’est ce que vous voulez.</P> <BR /> <P>Si le nombre de groupes est de deux, vous pouvez utiliser l'option <STRONG>Comparaisons multiples</STRONG> pour effectuer des tests d'effet simples.</P> <P>(1) Select the red triangle icon and select <STRONG>Comparaisons multiples</STRONG>.<BR />(2) Select <STRONG>Semaine de groupe</STRONG> in <STRONG>Choisissez un effet</STRONG>.</P> <P>(3) Vérifier <STRONG>Afficher le graphique des moyennes des moindres carrés</STRONG> .<BR /> (4) Cochez <STRONG>Créer un graphique d'interaction</STRONG> .<BR /> (5) Sélectionnez <STRONG>Groupe</STRONG> dans <STRONG>Choisir les termes pour la superposition</STRONG> .<BR /> (6) Cliquez sur <STRONG>D'ACCORD</STRONG> . Le graphique d'interaction avec intervalles de confiance s'affiche.</P> <P><SPAN class="lia-inline-image-display-wrapper lia-image-align-inline" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><SPAN class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><span class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><img src="https://us.v-cdn.net/6038925/uploads/images/104538i41B986728AA6396C/yusuke_ono_2-1779454539349.png" role="button" title="yusuke_ono_2-1779454539349.png" alt="yusuke_ono_2-1779454539349.png" /></span></SPAN></SPAN></P> <BR /> <P>(7) Sélectionnez à nouveau l'icône du triangle rouge et sélectionnez <STRONG>Comparaisons multiples</STRONG> .<BR /> (8) Sélectionnez <STRONG>les estimations de tranches de moyennes des moindres carrés</STRONG> dans <STRONG>le type d'estimations</STRONG> .<BR /> (9) Sélectionnez <STRONG>Spécifier les termes de la tranche</STRONG> dans <STRONG>les options de tranche</STRONG> .<BR /> (10) Sélectionnez <STRONG>Semaine</STRONG> dans <STRONG>Choisir les termes de tranche</STRONG> .<BR /> (11) (Si vous souhaitez effectuer la correction de Bonferroni) Sélectionnez <STRONG>toutes les comparaisons par paires - Student</STRONG> .<BR /> (12) Cliquez sur <STRONG>D'ACCORD</STRONG> . Notez que tous les résultats ne sont pas ajustés pour la multiplicité.<BR /> (13) Cliquez avec le bouton droit à l'intérieur du tableau <STRONG>Toutes les différences par paires</STRONG> et sélectionnez <STRONG>Créer un tableau de données combinées</STRONG> .</P> <P>(14) Calculez les valeurs p ajustées de Bonferroni et les intervalles de confiance.</P> <BR /> <CODE class=" language-jsl">Min( :"Prob>|t|"n * N Row(), 1 )
:Difference - :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
:Difference + :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
Les deux effets principaux fixes sont désignés par Semaine et Groupe , et leur interaction par Semaine*Groupe . Il est probable que le modèle comprenne également des effets aléatoires propres à chaque animal, en plus de ces effets fixes. Ces effets aléatoires sont désignés par Identification de l'animal . Autrement dit, le modèle comprend les quatre effets suivants :
Y = Week Group Week*Group Animal ID&Random Effect
Lorsque vous incluez des effets aléatoires dans « Ajustement du modèle », l' accent est mis par défaut sur le rapport minimal . Dans ce cas, vous devez ouvrir le plan détaillé des effets du rapport . Vous y trouverez le plan de la semaine de groupe .
Sinon, dans la boîte de dialogue de démarrage, définissez Accent sur Leverage .
Avant de l'essayer avec vos propres données, je recommande de le tester d'abord avec des données simulées et propres pour voir si cela fonctionne.
(1) Sélectionnez Fichier > Nouveau > Script JSL . L'éditeur de script s'ouvrira.
(2) Copiez et collez le code suivant dans l'éditeur de script.
Names Default To Here(1);
Random Reset(1111111);
n group = 2;
n animals per group = 10;
n week = 20;
data = [];
id = 0;
For(group = 1, group <= n group, group++,
For(i=1, i <= n animals per group, i++,
id++;
f = Random Normal();
For(week = 1, week <= n week, week++,
y = week + group + f + Random Normal();
If(week>=10 & group==1, y += 10 - week);
data|/=group||id||week||y;
);
);
);
dt = As Table(data, <
<COLUMN names=""></COLUMN> <P>(3) Dans l’éditeur de script, sélectionnez <STRONG>Édition</STRONG> > <STRONG>Exécuter le script</STRONG> .</P> <P>(4) Essayez d’effectuer l’analyse décrite ci-dessus et voyez si vous pouvez obtenir les résultats souhaités.</P> <BR /> <P><BR />S'il y a deux groupes, vous pourriez envisager d'utiliser <STRONG>l'option de comparaison multiple</STRONG> .</P> <P>(1) Cliquez sur le bouton triangle rouge en haut du rapport et sélectionnez <STRONG>« comparaisons multiples »</STRONG> .<BR /> (2) Dans <STRONG>la sélection de l'effet</STRONG> de la fenêtre appelée, sélectionnez <STRONG>Semaine de groupe</STRONG> .</P> <P>(3) Cochez <STRONG>l'option pour afficher le graphique de la moyenne des moindres carrés</STRONG> .<BR /> (4) Cochez la case pour <STRONG>créer un graphique d'interaction</STRONG> .<BR /> (5) Dans <STRONG>la sélection des termes du modèle à superposer</STRONG> , sélectionnez <STRONG>Groupe</STRONG> .<BR /> (6) Cliquer sur <STRONG>D'ACCORD</STRONG> créera un graphique d'interaction avec des intervalles de confiance dessinés.</P> <P><SPAN class="lia-inline-image-display-wrapper lia-image-align-inline" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><SPAN class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><span class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><img src="https://us.v-cdn.net/6038925/uploads/images/104542i97FD4CA2DD1DB016/yusuke_ono_5-1779456371304.png" role="button" title="yusuke_ono_5-1779456371304.png" alt="yusuke_ono_5-1779456371304.png" /></span></SPAN></SPAN></P> <BR /> <BR /> <P>(7) Sélectionnez à nouveau <STRONG>« comparaisons multiples »</STRONG> à partir du bouton triangle rouge en haut du rapport.<BR /> (8) Pour <STRONG>le type d'estimation</STRONG> , sélectionnez <STRONG>l'estimation transversale moyenne des moindres carrés</STRONG> .<BR /> (9) Dans <STRONG>les options de découpage</STRONG> , sélectionnez <STRONG>« Spécifiez l’élément à découper »</STRONG> .<BR /> (10) Lors de <STRONG>la sélection de l'élément à trancher</STRONG> , sélectionnez <STRONG>Semaine</STRONG> .<BR /> (11) (Si vous appliquez l'ajustement Bonferroni plus tard) <STRONG>Comparez chaque paire - sélectionnez le test t de Student</STRONG> .<BR /> (12) Cliquez sur <STRONG>D'ACCORD</STRONG> . Veuillez noter que ce résultat n'inclut pas les ajustements multiples.<BR /> (13) Cliquez avec le bouton droit sur le tableau des <STRONG>différences moyennes pour toutes les paires</STRONG> et sélectionnez <STRONG>Créer un tableau de données concaténées</STRONG> <STRONG>.</STRONG></P> <P>(14) Créez une formule pour calculer la valeur p ajustée de Bonferroni et l'intervalle de confiance.</P> <CODE class="language-jsl">Min( :"Prob>|t|"n * N Row(), 1 )
:Difference - :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
:Difference + :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
S'il y a 20 points de mesure et que vous segmentez les données selon ces 20 points (dans le cas de deux groupes où l'on recherche uniquement la différence entre ces deux groupes), la p-valeur ajustée sera 20 fois supérieure à la p-valeur initiale. Si vous indiquez que vous effectuerez plusieurs ajustements avant le traitement des données, vous pouvez également corriger les comparaisons multiples à l'aide de méthodes telles que la méthode d'ordre fixe.
S'il y a 20 points temporels, il est possible de modéliser l'effet de chaque point temporel comme une variable continue plutôt que comme des données catégorielles.
Comme je l'ai mentionné dans ma réponse précédente, je vous recommande vivement de ne pas vous contenter de calculer la p-valeur, mais d'utiliser un outil de création de graphiques pour visualiser la tendance générale. L'exécution du script ci-dessus tracera des courbes pour chaque individu, avec les semaines en abscisse et les valeurs mesurées en ordonnée, chaque couleur correspondant à un groupe.
Re : Test post-hoc après une ANOVA à deux facteurs : Comment appliquer la correction de Bonferroni dans JMPJe me rends compte maintenant que vous avez défini l'identifiant de l'animal comme un effet fixe ou que vous avez sélectionné EMS (traditionnel) comme méthode . Dans ce cas, l'identifiant de l'animal est traité comme un effet fixe.
Même si vous appliquez l'effet aléatoire à l'identification de l'animal et que vous sélectionnez EMS (traditionnel) , de nombreux résultats reposent sur un modèle à effets fixes. Seuls les carrés moyens attendus , les estimations des composantes de la variance , la synthèse du dénominateur du test et le test relatif aux effets aléatoires sont basés sur un modèle à effets mixtes.
Bien que je ne pense pas que ce soit ce que vous voulez faire, si vous voulez vraiment traiter l'identification de l'animal comme un effet fixe, vous devez définir l'identification de l'animal comme un effet imbriqué du groupe (c'est-à-dire ID de l'animal[Groupe] ).
Si l'identification de l'animal est numérotée dans chaque groupe comme ci-dessous, et que l'animal avec l'ID animal=1 dans le groupe=1 est différent de l'ID animal=1 dans le groupe=2 , alors vous devez toujours définir l'identification de l'animal comme un effet imbriqué du groupe (c'est-à-dire que vous devez définir Identifiant de l'animal [Groupe] ) (même si vous traitez l'identification de l'animal comme un effet aléatoire dans l'estimation REML).
Identification des animaux du groupe
1 1
1 2
1 3
1 4
1 5
2 1
2 2
2 3
2 4
2 5
Si vos données ressemblent à celles présentées ci-dessous et que vous effectuez une estimation REML, vous n'avez pas besoin de spécifier l'effet imbriqué.
(Il est également possible de spécifier « Identification de l'animal » comme effet imbriqué.)
Identification des animaux du groupe
1 1
1 2
1 3
1 4
1 5
2 6
2 7
2 8
2 9
2 10
Notez que le modèle ci-dessus, Y = Groupe Semaine Groupe*Semaine ID Animal&Effet aléatoire avec Groupe et Semaine nominaux, n'est qu'une possibilité parmi de nombreux modèles statistiques. J'ai simplement montré comment le paramétrer et l'utiliser dans le logiciel JMP, et je ne me prononce pas sur sa validité.
Bref, je pense que la première étape consiste à élaborer le plan.
Je viens de penser à quelque chose : peut-être que l’« identification de l’animal » est traitée comme un effet fixe, ou peut-être que la méthode n’est pas l’EMS (méthode conventionnelle) . Dans ce cas, l’« identification de l’animal » serait traitée comme un effet fixe.
Même lorsque l'identification animale est considérée comme un effet aléatoire, de nombreux résultats du modèle EMS (Effects Mixed Effects) conventionnel reposent sur un modèle à effets fixes qui traite l'identification animale comme un effet fixe. Seuls l'espérance du carré moyen , l'estimation de la composante de variance , le dénominateur du test F et les tests prenant en compte les effets aléatoires sont basés sur un modèle à effets mixtes qui traite l'identification animale comme un effet aléatoire.
Je ne pense pas que ce soit ce que vous voulez analyser, mais si par hasard vous voulez vraiment analyser « Identification de l'animal » comme un effet fixe, vous devrez définir « Identification de l'animal [Groupe] » comme un effet dérivé de « Groupe ».
Si l'identification des animaux est numérotée pour chaque groupe comme suit, et que l'animal n° 1 du groupe 1 est différent de celui du groupe 2, alors l'identification de l'animal doit être traitée comme un effet de branchement (c.-à-d. : Identifiant de l'animal [Groupe] ). (Ce paramétrage est également nécessaire lorsque l'identification de l'animal est traitée comme un effet aléatoire pour l'estimation REML.)
Identification des animaux du groupe
1 1
1 2
1 3
1 4
1 5
2 1
2 2
2 3
2 4
2 5
Si vos données sont structurées comme suit, que l'identifiant de l'animal est défini comme un effet aléatoire et que vous effectuez une estimation REML, il n'est pas nécessaire de spécifier l'identification de l'animal comme effet de branchement. (Vous pouvez le spécifier comme effet de branchement si vous le souhaitez. Si vos données sont structurées comme suit et que vous utilisez une estimation REML, les deux approches sont acceptables.)
Identification des animaux de groupe
1 1
1 2
1 3
1 4
1 5
2 6
2 7
2 8
2 9
2 10
Il convient de noter que le modèle Y = Groupe Semaine Groupe*Semaine ID Animal & Effets aléatoires , qui traite Groupe et Semaine comme des échelles nominales, n'est qu'un modèle parmi d'autres. Ce qui précède décrit uniquement les paramètres du logiciel et son mode d'emploi, sans se prononcer sur la validité de ce modèle.
Dans tous les cas, je pense que la première étape consiste à essayer de tracer un graphique.
