Критерий Краскела-Уоллиса, использование критерия в программе Statistca Опции

[ortoped74]

Здравствуйте, участники форума!
Прошу помощи по применению критерия Краскела-Уоллиса в программе STATISTICA.
Мне необходимо доказать, что три группы пациентов отличаются по одному признаку.
В программе при обработке данных требуется отметить группирующий признак и анализируемые признаки.
Как разобраться в этих признаках и правильно отметить группы?
Заранее благодарен.

[nokh]

Накипело... Я написал статью, в которой показываю как использовать именно нелинейные главные компоненты, чтобы иметь возможность грамотно обчитать определённый тип данных. А рецензент мне говорит, что так считать нельзя, т.к. главные компоненты подразумевают линейность связей. Тоже приходится писать не то ответ, не то лекцию...
А применительно к вашим данным мне не нравится идея сравнивать попарно на каждом сроке. Вместо одного ответа о межгрупповых различиях в динамике АД во время беременности вы отвечаете трижды. Это, во-первых, увеличивает ошибку первого рода, а во-вторых снижает мощность исследования. Я бы считал здесь дисперсионным анализом с повторными измерениями - так получится проанализировать весь материал одновременно, что приведёт к уменьшению ошибки и росту мощности, а ответ о различии динамик проявится в виде значимости/незначимости взамодействия факторов Группа * Срок. Если распределение ненормальное можно преобразовать логарифмированием или Боксом-Коксом. Когда победите рецензента попробуйте на будущее такой вариант анализа.

[100$]

Накипело... Я написал статью, в которой показываю как использовать именно нелинейные главные компоненты, чтобы иметь возможность грамотно обчитать определённый тип данных. А рецензент мне говорит, что так считать нельзя, т.к. главные компоненты подразумевают линейность связей. Тоже приходится писать не то ответ, не то лекцию...
А применительно к вашим данным мне не нравится идея сравнивать попарно на каждом сроке. Вместо одного ответа о межгрупповых различиях в динамике АД во время беременности вы отвечаете трижды. Это, во-первых, увеличивает ошибку первого рода, а во-вторых снижает мощность исследования. Я бы считал здесь дисперсионным анализом с повторными измерениями - так получится проанализировать весь материал одновременно, что приведёт к уменьшению ошибки и росту мощности, а ответ о различии динамик проявится в виде значимости/незначимости взамодействия факторов Группа * Срок. Если распределение ненормальное можно преобразовать логарифмированием или Боксом-Коксом. Когда победите рецензента попробуйте на будущее такой вариант анализа.

Одновременное наблюдение за двумя объектами в течение периода -это панельные данные (panel data) (кросс-наблюдения в динамике). И анализировать, вероятно, надо, исходя из этого.

[nokh]

Одновременное наблюдение за двумя объектами в течение периода -это панельные данные (panel data) (кросс-наблюдения в динамике). И анализировать, вероятно, надо, исходя из этого.

Можно и так назвать, но анализировать-то всё равно грамотнее через общие линейные модели: либо классическим дисперсионным анализом (модель с группированными и пересекающимися факторами), либо современной смешанной моделью. Первый подход неоднократно обсуждался на форуме и где-то демонстрировался в пакете Statistica: мной через GLM, DrgLen'ой через Repeated measures ANOVA. По смешанным моделям мне пока не попался источник, в котором бы внятно прописывалось их преимущество перед классикой (точнее перед классикой, реализованной через GLM) - обычно просто объясняется как задать модель, как проверять требования нормальности остатков, сферичности и сложной симметрии, как интерпретировать...

[100$]

Можно и так назвать, но анализировать-то всё равно грамотнее через общие линейные модели: либо классическим дисперсионным анализом (модель с группированными и пересекающимися факторами), либо современной смешанной моделью. Первый подход неоднократно обсуждался на форуме и где-то демонстрировался в пакете Statistica: мной через GLM, DrgLen'ой через Repeated measures ANOVA. По смешанным моделям мне пока не попался источник, в котором бы внятно прописывалось их преимущество перед классикой (точнее перед классикой, реализованной через GLM) - обычно просто объясняется как задать модель, как проверять требования нормальности остатков, сферичности и сложной симметрии, как интерпретировать...

Очень согласен