Interpretazione della misura ripetuta di MANOVACiao gente fantastica!
Per la prima volta nella mia vita ho provato MANOVA in JMP! Ho allegato il file con l'analisi MANOVA salvata nella tabella dati. Per qualche motivo, non sono riuscito a salvare la Specifica di risposta (che ho impostato su Misure ripetute) * Se qualcuno sa come salvare anche questa impostazione, per favore illuminami..
Ho bisogno di aiuto per rispondere a 2 domande.
1. Sto esaminando se c'è una differenza nel cambiamento tra tre gruppi accademici. Quale colonna cerco? Di sicuro c’è l’effetto del tempo.
Tuttavia, sono confuso se dovrei guardare la colonna [Tutto tra] e [academic_program_new] in Tra soggetti o la colonna [Time*academic_program_new] in All'interno di soggetti.
2. Come calcolo l'eta quadrato parziale. Non mi interessa il calcolo manuale ma non vedo alcun errore SS.
Grazie in anticipo!
Ri: Interpretazione della misura ripetuta MANOVACIAO @seoleelvjs ,
Sicuramente non mi dà fastidio! L'ordinamento dei livelli per grafici e analisi (a livello di JMP) si basa sulla proprietà Ordinamento valori per la colonna di interesse; se non è stato definito specificatamente alcun ordinamento, i livelli di quella colonna vengono ordinati alfabeticamente per impostazione predefinita. Per sovrascrivere l'ordinamento alfabetico predefinito in modo da poter specificare un ordinamento utile per la tua situazione, fai clic con il pulsante destro del mouse sulla colonna nella tabella e vai su Informazioni colonna. Una volta che sei in Informazioni sulla colonna per la colonna Ora, fai clic sul menu a discesa Proprietà colonna in basso a sinistra e seleziona "Ordinamento valori". Questo rivelerà il pannello di controllo Ordinamento valore in Informazioni colonna (mostrato di seguito). Ora puoi riorganizzare i livelli delle colonne. Questa modifica non influenzerà solo l'output di Stima modello, ma influenzerà tutto l'output in cui è necessario visualizzare un ordine per i livelli della colonna.
Giuliano
Ri: Interpretazione della misura ripetuta MANOVAScusa se continuo a tormentarti, ma solo una domanda veloce.
LS significa che la trama dà un nome un po' invertito ai punti temporali, come puoi vedere di seguito. Il modo corretto di presentazione sarebbe pre > post > 30 giorni...
Di seguito è riportato il JSL. C'è qualche tipo di impostazione di cui non sono a conoscenza?
Fit Model(
Y( :Data ),
Effects( :academic_program_new, :Time, :academic_program_new * :Time ),
Random Effects(
:user_id[:academic_program_new],
:user_id * :Time[:academic_program_new]
),
NoBounds( 1 ),
Personality( "Standard Least Squares" ),
Method( "REML" ),
Emphasis( "Minimal Report" ),
Run(
:Data << {Analysis of Variance( 0 ), Lack of Fit( 0 ),
Plot Actual by Predicted( 0 ), Plot Regression( 0 ),
Plot Residual by Predicted( 0 ), Plot Effect Leverage( 0 ),
{:academic_program_new << {LSMeans Table( 0 )}, :academic_program_new *
:Time << {LSMeans Plot( 1 )}}}
),
SendToReport(
Dispatch( {"Response Data"}, "Effect Details", OutlineBox, {Close( 0 )} )
)
)
Grazie in anticipo!
Ri: Interpretazione della misura ripetuta MANOVAGrazie ancora 
Spero che tu e il tuo team di sviluppatori continuiate con la magia!Ri: Interpretazione della misura ripetuta MANOVAPrego! Sono felice che ti sia stato d'aiuto.
Sì, il componente aggiuntivo che ho scritto chiama l'analisi del modello lineare a effetti misti *identico* (adattato tramite REML). JMP può già adattare questi modelli tramite la finestra di dialogo Adatta modello (come hai visto), quindi tutto ciò che fa questo componente aggiuntivo è reclutare questa piattaforma dopo aver definito gli effetti per te. Il motivo principale per cui ho scritto il componente aggiuntivo è semplificare l'impostazione di questi modelli quando sono presenti diversi fattori all'interno e/o tra soggetti che vengono incrociati fattorialmente. In questi casi, può diventare un po' complicato definire tutti gli effetti e le interazioni corretti del modello, quindi ho pensato che sarebbe stato utile avere un componente aggiuntivo che se ne occupasse. Non posso certo prendermi il merito del codice che si adatta a questi modelli! Questa magia è eseguita dallo straordinario team di sviluppatori che crea JMP.
@giuliano
Ri: Interpretazione della misura ripetuta MANOVAGrazie mille per la soluzione dettagliata e la spiegazione dettagliata passo dopo passo! Lo apprezzo molto...
Ho provato i tre (REML, EMS e MANOVA) senza eliminare i soggetti con dati mancanti e ognuno ha dato risultati diversi, il che ha senso come hai spiegato. Non esiterò a seguire il tuo consiglio sull'uso di REML su EMS... Sembra che REML mostri una rappresentazione più accurata della relazione (che posso dire semplicemente guardando la trama dei significati LS... sembra che ci sia solo una leggera differenza nelle medie LS tra il gruppo in diversi periodi di tempo) rispetto a MANOVA e più resiliente ai dati mancanti.
Ultima domanda: REML e il componente aggiuntivo che hai fornito sono essenzialmente lo stesso modello?
Ri: Interpretazione della misura ripetuta MANOVACiao di nuovo @seoleelvjs ,
In seguito, ho pensato di dover menzionare che nel tuo caso, dal momento che non disponi di dati completi (mancano osservazioni per determinati punti temporali per alcuni dei tuoi soggetti), i risultati di queste diverse analisi non saranno gli stessi . Poiché ogni analisi si avvicina ai dati in modo diverso, le mancanze vengono gestite in modo diverso, il che porta a risultati diversi. Solo perché tu possa vedere la relazione tra questi metodi (e la connessione tra la posizione dei risultati rilevanti in ciascun output), ho creato una versione del tuo set di dati rimuovendo tutti i soggetti con eventuali dati mancanti (in modo da avere dati completi per tutti gli individui). Quando eseguiamo queste tre analisi (MANOVA, EMS, REML) vedrai che otteniamo risultati identici.Di seguito è riportato uno screenshot con le aree pertinenti contrassegnate. Spero che aiuti!
-Giuliano
Ri: Interpretazione della misura ripetuta MANOVACIAO @seoleelvjs ,
Sono stato in grado di eseguire lo script Manova nella tua tabella e ha riprodotto perfettamente la risposta ripetuta che hai specificato. Vedrai quel jsl nello script salvato:
Response Function( "Sum", Repeated( 1 ), Title( "Between Subjects" ) ),
Response Function(
"Contrast",
Repeated( 2 ),
Prefix( "Time*" ),
Title( "Within Subjects" )
)
Per quanto riguarda l'interpretazione, so che l'output di Manova sembra un po' prolisso, ma una volta che sai dove cercare sarà facile! Per l'effetto del tempo all'interno della materia (se ci sono prove che le medie differiscono da pre/post/30 giorni, media rispetto al programma accademico) cerca nella sezione temporale il tuo valore F e DF e p associati:
Per il tuo test del programma accademico (se i mezzi per i programmi differiscono, in media nel tempo), guarda nella sezione tra le materie sotto "academic_program_new":
Per l'interazione tra i fattori interni e tra le materie, il test per verificare se hai prove che l'effetto temporale differisce per i diversi programmi accademici (o equivalentemente, se hai prove che la differenza del programma accademico è diversa e in punti temporali diversi), guarda in la sezione Within-Subjects in Time*academic_program_new e scegli la statistica f multivariata preferita da utilizzare (qualunque cosa sia più comune nel tuo campo - immagino Lambda):
Alcune note aggiuntive prima di arrivare al calcolo dell'eta parziale al quadrato. L'output che hai richiesto è per la vera analisi multivariata della varianza in cui stiamo costruendo un contrasto lineare tra le molteplici risposte all'interno del soggetto. Questi test non sono i tradizionali test a misure ripetute univariate. Se desideri richiedere i test di misure ripetute univariate (cosa potresti ottenere dalle misure ripetute SPSS) puoi farlo quando chiami il contrasto ripetuto: seleziona semplicemente la casella anche per i test univariati:
Quando lo fai, riceverai output aggiuntivo in ogni sezione. Nota che per ciascuno dei test entro soggetto sono presenti test Univar, sia non corretti che corretti epsilon. C'è anche il familiare test di sfericità.
Veniamo ora alla tua domanda finale sull'eta parziale al quadrato. Non sarai in grado di ottenere i valori particolari di cui hai bisogno da questo output, ma lo farai con una leggera ristrutturazione dei tuoi dati e quindi eseguendo questo modello tramite Fit Model in un modo diverso.
Per prima cosa utilizzeremo Tabelle > Impila per impilare i tuoi dati. Diremo a jmp di impilare le tre colonne temporali e quindi di etichettare le colonne in modo appropriato nella finestra di dialogo:
Ciò restituisce una tabella in cui le misurazioni ripetute si svolgono su righe anziché su colonne separate (set di dati allegato qui):
Successivamente, torneremo ad Analizza > Adatta modello, ma invece di specificare più colonne Y, definiremo completamente la struttura ripetuta nella sezione degli effetti del modello e utilizzeremo la colonna user_id per indicare a JMP che c'è un effetto casuale presente. Per fare ciò, aggiungeremo prima un fattoriale completo dei tuoi effetti "fissi", programma accademico e tempo, quindi aggiungeremo user_id e con esso selezionato fare clic sul triangolo rosso accanto agli attributi e selezionare casuale. Ciò dirà a JMP che questo effetto è un effetto casuale (che è ciò che lo sono sempre i soggetti). Per essere completamente formali dobbiamo dire a jmp che i tuoi soggetti sono nidificati all'interno delle condizioni tra soggetti, quindi selezioniamo il fattore user_id negli effetti del modello, quindi selezioniamo il programma accademico nell'elenco delle colonne, quindi facciamo clic su "nidifica".Infine, se desideri eseguire questo modello in un modo che ti dia SS per il calcolo di eta al quadrato, cambia il "Metodo" in alto a destra in EMS Tradizionale (tornerò su questa scelta tra un minuto). La tua finestra di dialogo dovrebbe assomigliare a questa:
Quando fai clic su Esegui, otterrai l'output delle tradizionali misure ripetute dei quadrati medi attesi con tutti i termini necessari per calcolare l'eta quadrato parziale:
Cambiando il metodo in EMS, stavi dicendo a JMP di calcolare questo modello utilizzando i quadrati medi attesi, un modo tradizionale e più vecchio di adattare questi modelli a misure ripetute. Il metodo predefinito originale, REML, è il metodo preferito (per molte ragioni statistiche) per questi modelli e restituirebbe modelli lineari a effetti misti. Se disponi di dati completi, un modello misto e un modello ems restituiranno valori p identici. Quando mancano dati (in modo casuale) il modello misto supererà l'EMS. Per questo e altri motivi consiglierei sicuramente REML rispetto a EMS, anche se non sarai in grado di calcolare una misura semplice della dimensione dell'effetto per i tuoi fattori (puoi leggere la controversia sulle dimensioni dell'effetto nei modelli a effetti misti se sei interessato) .
Se desideri semplificare la specifica di questi modelli di misure ripetute tramite un approccio di modello misto, puoi scaricare il mio componente aggiuntivo per misure ripetute completamente fattoriale qui: Componente aggiuntivo Misure ripetute . L'unico requisito è che i tuoi dati siano in formato alto/impilato (cosa abbiamo fatto sopra).
Spero che aiuti!
@giuliano
