1.官方介绍
原英文链接:https://cran.r-project.org/web/packages/ScottKnottESD/ScottKnottESD.pdf
Scott-Knott ESD 检验的机制由两个步骤组成:
step1:找出一个分区(partition),使各组间的处理均值(treatment means)最大化。我们首先对处理均值(treatment means)进行排序。然后,按照最初的 Scott-Knott 检验方法,我们计算组间平方和(即数据点的离散度量),找出能使组间处理均值(treatment means)最大化的分区。
step2:分成两组或合并为一组。而不是使用似然比检验和卡方分布作为拆分和合并的标准(即对所有处理均值相等进行假设检验 我们不使用似然比检验和卡方分布作为拆分和合并标准(即假设检验所有处理均值相等),而是分析每对 的差异大小。如果有任何一对两组的处理均值是 不可忽略,我们就分成两组。否则,我们合并为一组。我们使用 Cohen effect size(科恩效应大小)–一种基于两组均值之差除以两组均值标准差的效应大小估计值(d = (mean(x_1) - mean(x_2))/s.d.)。
早期版本的 Scott-Knott ESD 检验(v1.x)会对 Scott-Knott 检验得出的组进行后处理,与此不同的是,Scott-Knott ESD 检验(v2.x)会对组进行预处理,合并统计上差异可忽略不计的不同组对。
2.计算过程**(GPT介绍)**
Scott Knott ESD的计算过程如下:
- 将数据按照某种特定的指标(如均值、中位数等)进行排序。
- 将数据分成两个子组,其中一个子组包含第一个数据点,另一个子组包含剩下的数据点。
- 计算两个子组之间的均值差异,并计算该差异的统计显著性。
- 如果两个子组之间的差异显著,则将数据点分为两个新的子组,否则保持原来的分组不变。
- 重复步骤3和4,直到无法再将数据点分为两个子组为止。
- 最后,根据分组的结果,确定哪些子组之间存在显著差异。
Scott Knott ESD方法的优点是它能够准确地确定哪些子组之间存在显著差异,并且可以处理多组比较的情况。它适用于各种类型的数据,但在某些情况下可能会受到数据分布的影响。
3.举个栗子**(GPT介绍)**
然后关于ScottKnott ESD最终排序,GPT是这么说的:
- 治疗方法A:4.36
- 治疗方法C:4.12
- 治疗方法B:3.74
根据平均值的大小,我们可以看到治疗方法A的平均值最高,其次是治疗方法C,最低的是治疗方法B。这意味着在这个例子中,治疗方法A的平均疼痛减轻程度较好,而治疗方法B的效果较差。同时,根据Scott-Knott
ESD测试的结果,我们可以将这三种治疗方法分成两个统计上不同的组:组1包括治疗方法A和治疗方法C,组2包括治疗方法B。
关于分组的解释: