11.4.2.4Test StrategyWe strongly su

11.4.2.4Test Strategy
We strongly suggest starting with a global test for product differences in nearly all cases; if the global test is not statistically significant, any fur- ther testing would inflate the type I error rate and should therefore be avoided. As the primary aim of CATA studies is typically data explo- ration, we usually won’t apply any further correction for multiplicity; if required, Bonferroni’s correction or the more powerful Bonferroni–Holm approach (Holm 1979) might be applied. We have also used Hommel’s


adjustment (Hommel 1988), which is even more powerful, but less known. It is available in R using the p.adjust function in the stats package (R Development Core Team 2013).
In some studies, we might encounter attributes that do not discrimi- nate between products at the predetermined threshold (typically 5%, but as CATA is used in a descriptive and exploratory way, 10% might be reason- able as well). To increase legibility of the figures, we usually suggest omit- ting nonsignificant attributes from further exploration and visualization; these attributes potentially represent random noise only. Note that some multivariate analyses are sensitive to the inclusion of these attributes.

Kết quả (Việt) 1:

Chiến lược 11.4.2.4TestChúng tôi khuyên bạn nên bắt đầu với một thử nghiệm toàn cầu cho các sản phẩm khác nhau trong hầu hết trường hợp; Nếu thử nghiệm toàn cầu không có ý nghĩa thống kê, lông có bất kỳ thử nghiệm sẽ làm tăng các loại tôi tỷ lệ lỗi và do đó nên tránh. Vì mục đích chính của nghiên cứu CATA thường là dữ liệu explo-suất ăn, chúng tôi thường sẽ không áp dụng bất kỳ điều chỉnh thêm cho đa dạng; Nếu cần thiết, sự điều chỉnh của Bonferroni hoặc các phương pháp Bonferroni-Holm mạnh hơn (Holm 1979) có thể được áp dụng. Chúng tôi cũng đã sử dụng của Hommelđiều chỉnh (Hommel 1988), mà là nhiều hơn, mạnh mẽ, nhưng ít được biết đến. Nó có sẵn trong R bằng cách sử dụng chức năng p.adjust trong các gói phần mềm thống kê (R phát triển cốt lõi nhóm năm 2013).Trong một số nghiên cứu, chúng tôi có thể gặp phải các thuộc tính mà làm không discrimi-nate giữa các sản phẩm ở ngưỡng định trước (thường là 5%, nhưng như CATA được sử dụng theo cách mô tả và thăm dò, 10% có thể có lý do-thể cũng). Để tăng legibility các con số, chúng tôi thường khuyên ting bỏ qua các thuộc tính nonsignificant từ tiếp tục thăm dò và trực quan; Các thuộc tính này có khả năng đại diện cho tiếng ồn ngẫu nhiên chỉ. Lưu ý rằng một số phân tích đa biến nhạy cảm với sự bao gồm của các thuộc tính này.

Kết quả (Việt) 2:

Chiến lược 11.4.2.4Test
Chúng tôi mạnh mẽ đề nghị bắt đầu với một thử nghiệm toàn cầu cho sự khác biệt sản phẩm trong gần như tất cả các trường hợp; nếu thử nghiệm toàn cầu là không đáng kể, bất kỳ thử nghiệm ther Hơn nữa sẽ làm tăng mạnh tỷ lệ lỗi loại I và do đó nên tránh. Như mục đích chính của nghiên cứu CATA thường là dữ liệu explo- suất ăn, chúng ta thường sẽ không áp dụng bất kỳ hiệu chỉnh thêm cho đa dạng; nếu có yêu cầu, chỉnh Bonferroni hoặc phương pháp Bonferroni-Holm mạnh hơn (Holm 1979) có thể được áp dụng. Chúng tôi cũng sử dụng Hommel của


điều chỉnh (Hommel 1988), mà thậm chí còn mạnh hơn, nhưng ít được biết đến. Nó có sẵn trong R sử dụng các chức năng p.adjust trong gói số liệu thống kê (R Phát triển Core Team 2013).
Trong một số nghiên cứu, chúng ta có thể gặp các thuộc tính mà làm nate không phân biệt đối xử giữa các sản phẩm tại các ngưỡng xác định trước (thường là 5%, nhưng như CATA được sử dụng theo cách mô tả và thăm dò, 10% có thể là reason- thể là tốt). Để tăng mức độ dễ đọc của các con số, chúng tôi thường đề nghị omit- ting thuộc tính không có ý nghĩa từ thăm dò và trực tiếp; những thuộc tính này có khả năng đại diện cho tiếng ồn ngẫu nhiên chỉ. Lưu ý rằng một số phân tích đa biến rất nhạy cảm với sự bao gồm của các thuộc tính.