JMP 會在 Steel-Dwass 中自動計算等級嗎你好
研究：我將分析一個非參數數據集，其中兩種類型的麻線在同一個水池中培養，以測試藻類孢子沉降的偏好。 測試了三個水平的攪拌。 使用麻線 (2) 和攪拌 (3) 的 3 次重複產生 6 個組合或數據集。 它們在9個實驗單元中培養，使用2*9根麻繩。
我可以在不先進行弗里德曼檢驗的情況下使用 Steel-Dwass 來比較 6 個數據集的中位數嗎？ 或者我應該使用 Fit X by Y 保存排名，然後通過用一個因素（等於弗里德曼檢驗）阻止對排名進行 2 因素方差分析以獲得主要因素的影響？ 然後在自己計算的等級中使用 Steel-Dwass？ 還是在執行 Steel-Dwass 時 JMP 會自動計算和使用排名數據？
回复：JMP 會自動計算 Steel-Dwass 中的等級嗎？看幫助>圖書>擬合線性模型對於範圍事後選擇最終模型後可用的測試。 您無需創建新列或執行任何其他操作特別指定比較。
回复：JMP 會自動計算 Steel-Dwass 中的等級嗎？一般來說，您的問題的答案是肯定的，但有一個例外。 此設計不使用嵌套因子水平。 裂區分析包括一個術語，用於重置難以改變的因子攪動的隨機效應。 因此，創建另一個數據列，其級別為 1-9，對應於每次運行的實驗單元。 將此列添加為術語，然後單擊 Attributes 旁邊的紅色小三角以選擇 Random Effect。
您可以將月份作為預測變量，但如果時間過程取決於條件，那麼您還必須將時間與其他兩個因素交叉。 我不知道您的設計是否支持對所有這些參數的估計。
此外，我建議一次將模型擬合到一個響應並保存模型以進行預測。
還，
回复：JMP 會自動計算 Steel-Dwass 中的等級嗎？要進行具有正態誤差的普通最小二乘回歸或具有泊松誤差的廣義線性模型，我是否必須將數據集排列在 5 列中？
Column1（日期），Column2（FactorA，2 個級別的麻線），Column3（FactorB；3 個級別的攪拌），Column4（響應 = 孢子），Column5（響應 2 = 幼苗）
對於裂區設計，我將通過添加 Twine（2 級）作為主要因素並添加嵌套在 Twine 中的攪動（3 級）來構建模型效果。 我是否還應該添加日期（也作為名義變量）並將其與 Twine 交叉（我在 7 個日期收集了三份關於孢子和幼苗計數的數據）。 然後我已閱讀以將模型中的錯誤項更正為隨機效應（在屬性中）並在方法中使用 EMS。
僅在最終計數上將其視為交叉設計會很可惜嗎？
正如您所提到的，我可以通過結合兩個主要因素（“治療”）來創建一個新的因素列，並評估最終平均計數的差異。
回复：JMP 會自動計算 Steel-Dwass 中的等級嗎？好吧，您的實驗單元定義了“裂區”實驗。 麻線是容易改變的因素，而攪動是難以改變的因素。
非參數檢驗不能更好地處理相關性。 當在運行之間重置攪動時，相關性由隨機效應處理。
您計算孢子的事實意味著您可以使用具有正常誤差的普通最小二乘回歸，或者您可以使用具有泊松誤差的廣義線性模型。
回复：JMP 會自動計算 Steel-Dwass 中的等級嗎？我的兩個響應變量是每個重複中麻線上沉降的孢子和沈降的藻類幼苗的數量。 實際上，我開始了實驗並培養了 7 週，我每週（7 週）都對孢子和幼苗進行計數——因此，實驗只進行一次，並重複測量採樣。 首先，我想評估最後日期的任何差異。 提醒您，兩種類型的麻線在同一個罐（實驗裝置）中成對培養，我對其進行了三級攪拌，一式三份（= 9 個罐或 exp 裝置，總共 18 根麻線，每根 9 條）。
我認為選擇非參數分析是合適的，因為麻線不是相互獨立的。 我已經讀過，通過使用 Fit X by Y 和 block by one factor 計算等級上的 2factor ANOVA，實際上與 Friedman 測試（JMP 13 沒有）相同，並且該測試對應於非參數2 因子方差分析。 Steel-Dwass 只能用作事後測試？
在 JMP 13 中使用“Wilcoxon 檢驗”是否更好？
回复：JMP 會自動計算 Steel-Dwass 中的等級嗎？我應該補充一點，當不滿足參數方法的假設時，選擇非參數（無分佈）方法是保持測試能力的好機會。 另一方面，當滿足假設時，參數方法的功效幾乎總是大於非參數替代方法。
在這種情況下，是什麼導致您選擇非參數檢驗？
回复：JMP 會自動計算 Steel-Dwass 中的等級嗎？首先，你的反應是什麼？ 每個重複測試的結果是什麼？ 是測量嗎？ 計數？
據我所知，對於 6 個處理的全因子設計，您有 2 個級別的麻線和 3 個級別的攪拌。 這些被複製兩次 18 運行。 9個實驗單元的定義是什麼？
Steel-Dwass 非參數檢驗用於成對比較，因此出現在 JMP Oneway 平台中。 您可以創建一個新的數據列 Treatment，它跨越因子列 Twine 和 Agitation，並執行這個簡單的測試，但您可能會錯過將模型擬合到數據的好處。 您可以使用分析 > 擬合模型來定義具有 Twine、Agitation 和 Twine*Agitation 的線性預測變量。 當然，您的回應是 Y 角色。 合適的方法（“個性”）取決於你對我上面第一個問題的回答。 除了簡單的組比較之外，我建議考慮這種方法。
