11.4.2.2 Overall TestBefore drawing

11.4.2.2 Overall Test
Before drawing any conclusions from CATA data, we want to be sure that there are some real differences between the products under investigation. An omnibus test should be used to protect against inflated experiment- wise error rates that occur when conducting many individual tests without controlling for multiplicity. An example of an omnibus test is the F-test that is conventionally performed on continuous data prior to conducting any post hoc tests.
The classical Pearson’s χ2-test does not provide a valid omnibus test for CATA data because the assumption of independence is violated twice: each assessor evaluates multiple products, and for each product, they assess multiple attributes. An approximate global test for CATA data is proposed by Meyners et al. (2013) based on the sum of Cochran’s Q statistics across attributes. It relies on the assumption of indepen- dence in evaluations of different attributes, that is, that a consumer’s evaluation of any attribute is independent of his or her evaluations of all other attributes.
Unfortunately, the assumption that attributes are evaluated indepen- dently is unlikely to hold in most applications; if a consumer checks sour, he or she might be more unlikely to check sweet as well, and vice versa, indicating that the attributes are dependent, as are the Q statistics in that case. The relationships between attributes depend on the CATA attributes


included, as well as on the products in the study. Also, it is unclear what minimum sample sizes are required to conduct such a test. Therefore, a randomization test provides a viable alternative. The approach is concep- tually similar to what Wakeling et al. (1992) propose for the consensus derived from generalized procrustes analysis (GPA) and to what Meyners and Pineau (2010) propose for detecting product differences in TDS stud- ies. For brevity, we refrain from discussing any details here; for the con- cept of randomization tests and a proof of its validity, the interested reader is referred to the textbook by Edgington and Onghena (2007). Meyners and Pineau (2010) also provide some detailed explanation on this matter. We apply the randomization test to the sum of Cochran’s Q statistics as the natural generalization from Cochran’s Q test by attribute. Other test statistics could also be used; for example, Meyners and Hartwig (2009) use Pearson’s χ2-statistic.

Kết quả (Việt) 1:

11.4.2.2 tổng thể thử nghiệmTrước khi vẽ bất kỳ kết luận từ CATA dữ liệu, chúng tôi muốn chắc chắn rằng có một số sự khác biệt thực sự giữa các sản phẩm đang bị điều tra. Một bài kiểm tra bộ nên được sử dụng để bảo vệ chống tăng cao thử nghiệm-khôn ngoan tỷ lệ lỗi xảy ra khi tiến hành nhiều xét nghiệm cá nhân mà không kiểm soát đối với đa dạng. Một ví dụ về một bài kiểm tra bộ là F-bài kiểm tra đầu đạn thường được thực hiện trên các dữ liệu liên tục trước khi tiến hành bất kỳ thử nghiệm post hoc.Sân bay Pearson cổ điển χ2-kiểm tra không cung cấp một bài kiểm tra bộ hợp lệ cho dữ liệu CATA vì giả định độc lập là vi phạm hai lần: mỗi assessor đánh giá nhiều sản phẩm, và cho từng sản phẩm, họ đánh giá nhiều thuộc tính. Một thử nghiệm toàn cầu gần đúng cho CATA dữ liệu được đề xuất bởi Meyners et al. (2013) dựa trên tổng hợp số liệu thống kê Q của Cochran trên thuộc tính. Nó dựa trên các giả định của indepen-dence trong đánh giá của các thuộc tính khác nhau, có nghĩa là, một người tiêu dùng đánh giá về bất kỳ thuộc tính là độc lập của mình đánh giá của tất cả các thuộc tính khác.Thật không may, các giả định rằng thuộc tính là đánh giá indepen-dently là dường như không giữ trong hầu hết các ứng dụng; Nếu một người tiêu dùng kiểm tra chua, anh ấy hoặc cô ấy có thể hơn dường như không kiểm tra ngọt là tốt, và ngược lại, chỉ ra rằng các thuộc tính phụ thuộc, như là con số thống kê Q trong trường hợp đó. Các mối quan hệ giữa các thuộc tính phụ thuộc vào các thuộc tính CATAbao gồm, cũng như trên các sản phẩm trong nghiên cứu. Ngoài ra, nó là không rõ ràng những gì kích thước tối thiểu mẫu được yêu cầu phải tiến hành một thử nghiệm. Vì vậy, một thử nghiệm ngẫu nhiên cung cấp một thay thế khả thi. Cách tiếp cận này là tương tự như những gì Wakeling et al. (1992) đề xuất cho sự đồng thuận từ tổng quát procrustes phân tích (GPA) và những gì Meyners và Pineau (2010) đề xuất cho phát hiện sự khác biệt của sản phẩm trong TDS stud-ies concep tually. Cho ngắn gọn, chúng tôi kiềm chế không thảo luận về bất kỳ chi tiết ở đây; cho con-cept thử nghiệm ngẫu nhiên và chứng minh giá trị của nó, người đọc quan tâm đến việc được gọi sách giáo khoa bởi Edgington và Onghena (2007). Meyners và Pineau (2010) cũng cung cấp một số chi tiết giải thích về vấn đề này. Chúng tôi áp dụng thử nghiệm ngẫu nhiên để tổng hợp số liệu thống kê Q của Cochran tổng quát tự nhiên từ Cochran của Q thử nghiệm bởi thuộc tính. Thống kê thử nghiệm khác cũng được sử dụng; Ví dụ, Meyners và Hartwig (2009) sử dụng của Pearson χ2 số liệu thống kê.

Kết quả (Việt) 2:

11.4.2.2 Kiểm Tra Tổng Quát
Trước khi vẽ bất kỳ kết luận từ dữ liệu CATA, chúng tôi muốn chắc chắn rằng có một số khác biệt thực sự giữa các sản phẩm bị điều tra. Một bài kiểm tra omnibus nên được sử dụng để bảo vệ chống lại tỷ lệ lỗi chỉ thử nghiệm khôn ngoan lạm phát xảy ra khi tiến hành nhiều thử nghiệm cá nhân mà không kiểm soát đối với đa dạng. Một ví dụ của một thử nghiệm omnibus là F-test được quy ước thực hiện trên dữ liệu liên tục trước khi thực hiện bất kỳ kiểm tra bài hoc.
Χ2 test Pearson cổ điển không cung cấp một thử nghiệm omnibus hợp lệ cho dữ liệu CATA vì giả định độc lập được vi phạm hai lần : mỗi giám đánh giá nhiều sản phẩm, và cho mỗi sản phẩm, họ đánh giá nhiều thuộc tính. Một thử nghiệm toàn cầu ước tính cho dữ liệu CATA được đề xuất bởi Meyners et al. (2013) dựa trên tổng số liệu thống kê Q Cochran qua các thuộc tính. Nó dựa trên các giả định về tính độc lập trong việc đánh giá các thuộc tính khác nhau, đó là, đánh giá của người tiêu dùng bất kỳ thuộc tính độc lập của các đánh giá của mình về tất cả các thuộc tính khác.
Thật không may, giả định rằng các thuộc tính được đánh giá độc lập với không chắc giữ trong hầu hết các ứng dụng; nếu một chi phiếu tiêu dùng chua, anh ta hoặc cô ấy có thể khó hơn để kiểm tra ngọt là tốt, và ngược lại, chỉ ra rằng các thuộc tính phụ thuộc, như là những thống kê Q trong trường hợp đó. Các mối quan hệ giữa các thuộc tính phụ thuộc vào các thuộc tính CATA


bao gồm, cũng như trên các sản phẩm nghiên cứu. Ngoài ra, nó là không rõ ràng những gì tối thiểu cỡ mẫu được yêu cầu phải tiến hành một thử nghiệm như vậy. Do đó, một thử nghiệm ngẫu nhiên cung cấp một thay thế khả thi. Phương pháp này được concep- tually tương tự như những gì Wakeling et al. (1992) đề xuất cho sự đồng thuận từ tổng quát procrustes phân tích (GPA) và với những gì Meyners và Pineau (2010) đề xuất để phát hiện sự khác biệt sản phẩm trong TDS nghiên cứu lượng các Bên. Để ngắn gọn, chúng tôi tránh thảo luận về bất kỳ thông tin chi tiết ở đây; cho các khái niệm của các bài kiểm tra ngẫu nhiên và một bằng chứng về tính hợp lệ của nó, người đọc quan tâm được gọi là sách giáo khoa của Edgington và Onghena (2007). Meyners và Pineau (2010) cũng cung cấp một số lời giải thích chi tiết về vấn đề này. Chúng tôi áp dụng các thử nghiệm ngẫu nhiên với tổng của Q thống kê Cochran là khái quát tự nhiên từ thử nghiệm Q Cochran bởi thuộc tính. Thống kê thử nghiệm khác cũng có thể được sử dụng; ví dụ, Meyners và Hartwig (2009) sử dụng χ2 số liệu thống kê của Pearson.