仮説検定がいかに議論の的となり、混乱を招きやすく、「帰無仮説を受け入れる」方向に偏っているかについては、多くのことが書かれ、議論されてきました。実務家は、この手法を適切に実施し解釈することが非常に難しいと感じています。ナサニエル・スティーブンスは、この厄介な問題に対する代替案として、一致確率（PoA）の概念を導入しました。この方法は、さまざまな状況に柔軟に対応でき、片側一致と両側一致を検討するためのさまざまなオプションがあり、比較対象の項目が等しいとみなされるべきか否かという先入観から出発しません。これにより、P値ではしばしばできない、第一種過誤と第二種過誤のバランスが取れます。この方法は、さまざまなサンプルサイズに自動的に調整され、従来の仮説検定では検出力の不足をユーザーに警告できない、サンプルサイズが小さい場合に伴う不確実性の増加を反映します。
これはJMPにとって非常に優れた追加機能となるでしょう。なぜなら、さまざまな分野における集団比較をより柔軟かつ容易に解釈できる形で提供するからです。これは、JMPが推進する、データにおけるパターンの探索と柔軟な評価を促すという一般的なアプローチにも合致しています。
PoAの理念は実践者の共感を呼び、直感的で解釈しやすい方法で比較を行うためのツールを提供するものだと思います。
参考文献：
Stevens NT 、Steiner SH、MacKay RJ (2017)。2つの測定システム間の一致度を評価する：一致限界アプローチの代替案。Statistical Methods in Medical Research 、26(6): 2487–2504。
スNT 、Rigdon SE、Anderson-Cook CM (2018)。2 つの独立した回帰の結果を比較するための予測一致のベイズ確率。Quality and Reliability Engineering International 、34(6): 968–978。
スティーブンスNT and Anderson-Cook C.M. (2019). Design and analysis of confirmation experiments. 品質技術ジャーナル 51(2): 109–124.
スティーブンスNT and Lu L. (2020). Comparing Kaplan-Meier curves with the probability of agreement. 医学における統計学 39(30): 4621–4635.
こんにちは、クリスティンさん。ナサニエル・スティーブンス氏が数年前にこのテーマについて「Statistically Speaking」というウェビナーを録画していて、とても興味深い内容でした。このアプローチの魅力的な応用例もいくつか紹介されていました。社内で検討することにしました。投稿していただきありがとうございます！
ウェビナー: https://www.jmp.com/en/resources/on-demand/statistically-speaking/the-same-similar-or- Different
