ANOVA повторных измерений Опции

[grergi]

Вот собеседники, мать-перемать. Сразу истерить начинают. Постойте grergi, куда же вы?

С Бонферрони все просто. У вас предполагается три попарных сравнения: 1 vs. 2, 1 vs. 3 и 2 vs. 3. Это означает, что контроль ошибки первого рода при множественной проверке гипотез необходимо обеспечивать, разделив значение номинального уровня значимости (на котором ведется исследование) на количество попарных сравнений. В данном случае 3.
Получаем ,05/3=,017. Гипотеза однородности связанных выборок отвергается, если достигаемый уровень значимости при использовании парного критерия Стьюдента p< ,017.

Уважаемый 100$, поскольку это всего лишь текст, то Вы могли меня неправильно понять, я Вам благодарен (это не сарказм), и истерии никакой нет. Я внимательно читаю каждый Ваш пост.
Возможно я не очень хорошо разбираюсь в статитстике, но в ней не плохо шарит Гланц. Мне понятно, что нужно делать, что бы не обнаружить различия там где их нет. Вопрос в том, как посчитать все это в программе?

Сообщение отредактировал grergi - 14.04.2014 - 18:13

[DrgLena]

Нажимайте кнопки
More result - Post hoc - Dunnet (в данном случае)

Эскизы прикрепленных изображений

 

[100$]

Нажимайте кнопки
More result - Post hoc - Dunnet (в данном случае)

Там, по-моему, даже галочка есть "Bonferroni correction".

[DrgLena]

Bonferroni есть, но не все сравнения нужны, а только с первым измерением, потому Dannett

Сообщение отредактировал DrgLena - 14.04.2014 - 21:33

[grergi]

Нажимайте кнопки
More result - Post hoc - Dunnet (в данном случае)

DrgLena, я Вам оооооочень признателен!!!!

[nokh]

Пока нет времени полноценно поучаствовать в теме любимого дисперсионного анализа. Отпишусь по-возможности. Пока прикрепил свой вариант анализа с другой организацией данных (выделены чёрным). Кстати, проверил сейчас: пост-хоки совпадают (мы с DrgLen'ой немного спорили но забросили эту тему как раз на пост-хоках, на этих маленьких данных легко экспериментировать). К сожалению, в Statistica нет современного подхода через смешанные модели, а тоже было бы интересно посмотреть. Придётся в R, где они есть, а как раз классический вариант - проблема.

Сообщение отредактировал nokh - 15.04.2014 - 22:02

Эскизы прикрепленных изображений

 

[100$]

Пока прикрепил свой вариант анализа с другой организацией данных (выделены чёрным).

И что изменилось? Кроме того, что модель из усеченно параметризованной (Sigma - restricted) стала избыточно параметризованной (Over - parameterized)?
Остаточная дисперсия не изменилась, а вот как поведет себя тест Дарбина-Уотсона для этих двух моделей? Чует мое сердце, что придется мне trial-версию 12-й Статистики сливать.))

К сожалению, в Statistica нет современного подхода через смешанные модели, а тоже было бы интересно посмотреть. Придётся в R, где они есть, а как раз классический вариант - проблема.

А что-то должно принципиально измениться? Все эти модели неявно исходят из предположения о сферичности матрицы ковариаций исходных данных. А мне вот тут тест John-Nagao-Sugiura (1972) гипотезу о сферичности уверенно отвергает (p<.001). Хочешь-не хочешь, а придется поглядывать на эпсилон-коррекцию и многомерные тесты.

Кроме шуток. Просто интересно.

Сообщение отредактировал 100$ - 15.04.2014 - 23:08

[grergi]

Пока нет времени полноценно поучаствовать в теме любимого дисперсионного анализа. Отпишусь по-возможности. Пока прикрепил свой вариант анализа с другой организацией данных (выделены чёрным). Кстати, проверил сейчас: пост-хоки совпадают (мы с DrgLen'ой немного спорили но забросили эту тему как раз на пост-хоках, на этих маленьких данных легко экспериментировать). К сожалению, в Statistica нет современного подхода через смешанные модели, а тоже было бы интересно посмотреть. Придётся в R, где они есть, а как раз классический вариант - проблема.

Уважаемый, nokh, первоначально я таким же способом располагал данные, но посчитать их через Repeated measures ANOVA не смог. Кода у Вас будет время, пожалуйста объясните, как это делать.

[grergi]

Еще интересует такой вопрос. В случае непараметрического распределения данных, хотел бы использовать критерий Фридмана, затем непараметрический вариант критерия Ньюмена-Кейлса. Вопрос, как считать последний?

Сообщение отредактировал grergi - 16.04.2014 - 20:00

[100$]

Еще интересует такой вопрос. В случае непараметрического распределения данных, хотел бы использовать критерий Фридмана, затем непараметрический вариант критерия Ньюмена-Кейлса. Вопрос, как считать последний?

Думается, что так

[grergi]

Думается, что так

100$, интересует НЕПАРАМЕТРИЧЕСКИЙ вариант критерия Ньюмена-Кейлса и не математическое его выражение, а вычисление его в Statistica StatSoft.

Сообщение отредактировал grergi - 16.04.2014 - 22:32

[100$]

100$, интересует НЕПАРАМЕТРИЧЕСКИЙ вариант критерия Ньюмена-Кейлса и не математическое его выражение, а вычисление его в Statistica StatSoft.

Ну, хорошо, вот цитата из их Help'a:

Newman-Keuls test & critical ranges. Click the Newman-Keuls test & critical ranges button to produce a spreadsheet with the post-hoc p-values for the Newman-Keuls test. Note that STATISTICA does not merely report cut-off values for p, but will compute the actual probabilities based on the distribution of the studentized range statistics. A second spreadsheet will display the critical ranges between ordered means, given the respective alpha level (by default p < .05). The Newman-Keuls test is based on the studentized range statistic. Computationally, STATISTICA first sorts the means into ascending order. For each pair of means STATISTICA then assesses the probability under the null hypothesis (no differences between means in the population) of obtaining differences between means of this (or greater) magnitude, given the respective number of samples. Thus, it actually tests the significance of ranges, given the respective number of samples.

могу я попросить вас показать пальцем, откуда следует, что
а) Стьюдент (1908), Ньюмен (1939) и Кейлс (1952) сначала придумали параметрический тест, а потом по многочисленным просьбам трудящихся родили еще и непараметрический его вариант;
б) разработчики Статистики закодярили именно его.

Заранее спасибо за любезные разъяснения. Если с ответом затруднитесь, сразу сообщите.


Сообщение отредактировал 100$ - 16.04.2014 - 23:29

Эскизы прикрепленных изображений

 

[grergi]

Ну, хорошо, вот цитата из их Help'a:

Newman-Keuls test & critical ranges. Click the Newman-Keuls test & critical ranges button to produce a spreadsheet with the post-hoc p-values for the Newman-Keuls test. Note that STATISTICA does not merely report cut-off values for p, but will compute the actual probabilities based on the distribution of the studentized range statistics. A second spreadsheet will display the critical ranges between ordered means, given the respective alpha level (by default p < .05). The Newman-Keuls test is based on the studentized range statistic. Computationally, STATISTICA first sorts the means into ascending order. For each pair of means STATISTICA then assesses the probability under the null hypothesis (no differences between means in the population) of obtaining differences between means of this (or greater) magnitude, given the respective number of samples. Thus, it actually tests the significance of ranges, given the respective number of samples.

могу я попросить вас показать пальцем, откуда следует, что
а) Стьюдент (1908), Ньюмен (1939) и Кейлс (1952) сначала придумали параметрический тест, а потом по многочисленным просьбам трудящихся родили еще и непараметрический его вариант;
б) разработчики Статистики закодярили именно его.

Заранее спасибо за любезные разъяснения. Если с ответом затруднитесь, сразу сообщите.

Если я правильно понял Ваш вопрос (который задан не в самой простой форме), Вас интересует отличие параметрического варианта критерия Ньюмена-Кейлса от непараметрического? Отвечу по мере сил. Надеюсь не требуется объяснять, что в случае нормального распределения работа ведется со средним и стандартным отклонением, а в случае ненормального с медианами и процентилями (квартилям).
С математической токи зрения:
формулу см скриншот.
1) формула где A X и B X - сравниваемые средние, s2 вну - внутригрупповая дисперсия, а nA и nB численность групп.
2) формула где RA RB - суммы рантов двух сравниваемых выборок, n - объем каждой выборки, l - интервал сравнения.
В очередной раз повторюсь, меня не интересует математическое выражение того или иного критерия, а только ВЫЧИСЛЕНИЕ ЕГО В ПРОГРАММЕ STATISTICA STATSOFT.
Доступ к вкладке (который нам объяснила DrgLena) , в прикрепленном Вами скриншоте, можно получить после дисперсионного анализа, после критерия ФРИДМАНА - непараметрического аналога
дисперсионного анализа повторных измерений, ничего похожего я не нашел. Даже если допустить, что параметрический критерий Ньюмена-Кейлса= непараметрическому критерию Ньюмена-Кейлса, вопрос все равно остается открытым, как считать последний в ПРОГРАММЕ STATISTICA STATSOFT?
Пункт б) "разработчики Статистики закодярили именно его" не понял, что это вопрос или утверждение?
Надеюсь ответил на Ваш вопрос. Кто именно "рожал" непараметрический критерий Ньюмена-Кейлса, я не знаю.
P.S. Был бы благодарен за ответы по существу.

Сообщение отредактировал grergi - 17.04.2014 - 11:38

Эскизы прикрепленных изображений

 

[100$]

Если я правильно понял Ваш вопрос (который задан не в самой простой форме), Вас интересует отличие параметрического варианта критерия Ньюмена-Кейлса от непараметрического? Отвечу по мере сил. Надеюсь не требуется объяснять, что в случае нормального распределения работа ведется со средним и стандартным отклонением, а в случае ненормального с медианами и процентилями (квартилям).
С математической токи зрения:
формулу см скриншот.
1) формула где A X и B X - сравниваемые средние, s2 вну - внутригрупповая дисперсия, а nA и nB численность групп.
2) формула где RA RB - суммы рантов двух сравниваемых выборок, n - объем каждой выборки, l - интервал сравнения.
В очередной раз повторюсь, меня не интересует математическое выражение того или иного критерия, а только ВЫЧИСЛЕНИЕ ЕГО В ПРОГРАММЕ STATISTICA STATSOFT.
Доступ к вкладке (который нам объяснила DrgLena) , в прикрепленном Вами скриншоте, можно получить после дисперсионного анализа, после критерия ФРИДМАНА - непараметрического аналога
дисперсионного анализа повторных измерений, ничего похожего я не нашел. Даже если допустить, что параметрический критерий Ньюмена-Кейлса= непараметрическому критерию Ньюмена-Кейлса, вопрос все равно остается открытым, как считать последний в ПРОГРАММЕ STATISTICA STATSOFT?
Пункт б) "разработчики Статистики закодярили именно его" не понял, что это вопрос или утверждение?
Надеюсь ответил на Ваш вопрос. Кто именно "рожал" непараметрический критерий Ньюмена-Кейлса, я не знаю.
P.S. Был бы благодарен за ответы по существу.

Ну, ладно, спрошу проще.

Как из приведенной цитаты определить, что в программе реализован именно непараметрический вариант? Может, вы зря его ищете?

Кто именно "рожал" непараметрический критерий Ньюмена-Кейлса, я не знаю.

А откуда эти формулы? Происхождение этого скриншота уточните, пож-ста.

Сообщение отредактировал 100$ - 17.04.2014 - 11:51

[grergi]

Ну, ладно, спрошу проще.

Как из приведенной цитаты определить, что в программе реализован именно непараметрический вариант? Может, вы зря его ищете?

Post hoc в дисперсионном анализе - параметрический критерий Ньюмена-Кейлса, очевидно должен существовать Post hoc после критерия Фридмана, и один из его вариантов - непараметрический критерий Ньюмена-Кейлса. Это здравый смысл.