JMP calcule-t-il automatiquement les rangs dans Steel-DwassSalut
L'étude : Je dois analyser un ensemble de données non paramétriques où deux types de ficelles ont été cultivées dans le même réservoir pour tester la préférence dans le règlement des spores d'algues. Trois niveaux d'agitation ont été testés. L'utilisation de 3 répétitions de la ficelle (2) et de l'agitation (3) donne 6 combinaisons ou ensembles de données. Ils ont été cultivés dans 9 unités expérimentales et 2*9 morceaux de ficelle ont été utilisés.
Puis-je utiliser le Steel-Dwass pour comparer la médiane des 6 ensembles de données sans faire d'abord un test de Friedman ? Ou devrais-je enregistrer les rangs en utilisant le Fit X by Y, puis faire une ANOVA à 2 facteurs sur les rangs en bloquant avec un facteur (égal au test de Friedman) pour obtenir l'effet des facteurs principaux ? Et puis utiliser Steel-Dwass dans les rangs calculés par vous-même ? Ou JMP calcule-t-il et utilise-t-il automatiquement les données classées lors de l'exécution de Steel-Dwass ?
Re : JMP calcule-t-il automatiquement les classements dans Steel-DwassVoir Aider > Livres > Ajustement de modèles linéaires pour la gamme de post-hoc tests disponibles après avoir sélectionné le modèle final. Vous n'avez pas besoin de créer de nouvelles colonnes ni d'effectuer d'autres ad hoc comparaisons.
Re : JMP calcule-t-il automatiquement les classements dans Steel-DwassGénéralement, la réponse est oui à vos questions, mais il y a une exception. Ce plan n'utilise pas de niveaux de facteurs imbriqués. L'analyse en parcelles divisées comprend un terme pour un effet aléatoire de réinitialisation du facteur difficile à modifier Agitation. Créez donc une autre colonne de données avec les niveaux 1 à 9 qui correspondent à l'unité expérimentale pour chaque exécution. Ajoutez cette colonne en tant que terme, puis cliquez sur le triangle rouge à côté de Attributs pour sélectionner Effet aléatoire.
Vous pouvez inclure le mois comme prédicteur, mais si le cours du temps dépend des conditions, vous devez également croiser le temps avec les deux autres facteurs. Je ne sais pas si votre conception prend en charge l'estimation de tous ces paramètres.
De plus, je recommande d'adapter le modèle à une réponse à la fois et d'enregistrer le modèle pour la prédiction.
Aussi,
Re : JMP calcule-t-il automatiquement les classements dans Steel-DwassPour faire une régression ordinaire des moindres carrés avec des erreurs normales ou un modèle linéaire généralisé avec des erreurs de Poisson, devrais-je organiser les ensembles de données en 5 colonnes?
Colonne1 (date), Colonne2 (Facteur A, Ficelle à 2 niveaux), Colonne 3 (Facteur B ; Agitation à 3 niveaux), Colonne 4 (Réponse = spores), Colonne 5 (Réponse 2 = Semis)
Pour la conception de parcelles divisées, je construirais les effets du modèle en ajoutant Twine (2 niveaux) comme facteur principal et en ajoutant l'agitation (3 niveaux) imbriquée dans Twine. Dois-je également ajouter la date (également en tant que variable nominale) et la croiser avec Twine (j'ai collecté des données en triple sur le nombre de spores et de semis à 7 dates). Ensuite, j'ai lu pour corriger le terme d'erreur dans le modèle à effet aléatoire (dans les attributs) et utiliser EMS dans la méthode.
Serait-il dommage de le traiter comme un design croisé uniquement sur les comptes finaux?
Comme vous l'avez mentionné, je pourrais créer une nouvelle colonne de facteurs en combinant les deux principaux facteurs ("traitement") et évaluer la différence de nombre moyen final.
Re : JMP calcule-t-il automatiquement les classements dans Steel-DwassEh bien, vos unités expérimentales définissent une expérience "split-plot". La ficelle est le facteur facile à changer et l'agitation est le facteur difficile à changer.
La corrélation n'est pas mieux gérée par un test non paramétrique. La corrélation est gérée par un effet aléatoire lorsque l'agitation est réinitialisée entre les exécutions.
Le fait que vous comptiez les spores signifie que vous pourriez être en mesure d'utiliser la régression des moindres carrés ordinaire avec des erreurs normales ou vous pourriez utiliser un modèle linéaire généralisé avec des erreurs de Poisson.
Re : JMP calcule-t-il automatiquement les classements dans Steel-DwassMes deux variables de réponse sont le nombre de spores déposées et de semis d'algues déposées sur les ficelles dans chaque répétition. En fait, j'ai commencé l'expérience et l'ai cultivée pendant 7 semaines, et j'ai compté les spores et les semis chaque semaine (pendant 7 semaines) - ainsi, l'expérience est faite une fois et des mesures répétées ont été échantillonnées. Pour commencer, je veux évaluer toute différence à la date finale. Pour rappel, les deux types de ficelles ont été cultivées par paires dans la même cuve (unité expérimentale) à laquelle j'ai appliqué trois niveaux d'agitation, en triple (= 9 cuves ou unités exp avec au total 18 ficelles, neuf pièces chacune).
Je pense qu'il convient de choisir une analyse non paramétrique du fait que les ficelles n'étaient pas indépendantes les unes des autres. J'ai lu qu'en calculant une ANOVA à 2 facteurs sur les rangs en utilisant Ajuster X par Y et bloquer par un facteur, est effectivement le même qu'un test de Friedman (que JMP 13 n'a pas) et ce test correspond à un non paramétrique ANOVA à 2 facteurs. Le Steel-Dwass ne peut être utilisé que comme test post hoc ?
Est-il préférable d'utiliser le "Test de Wilcoxon" dans JMP 13 ?.
Re : JMP calcule-t-il automatiquement les classements dans Steel-DwassJe dois ajouter que le choix d'une méthode non paramétrique (sans distribution) est une bonne occasion de maintenir la puissance du test lorsque les hypothèses des méthodes paramétriques ne sont pas respectées. D'autre part, la puissance de la méthode paramétrique est presque toujours supérieure à celle des alternatives non paramétriques lorsque les hypothèses sont satisfaites.
Qu'est-ce qui vous a amené à choisir les tests non paramétriques dans ce cas ?
Re : JMP calcule-t-il automatiquement les classements dans Steel-DwassTout d'abord, quelle est votre réponse ? Quel est le résultat de chaque test répété ? Est-ce une mesure ? Un comte ?
Je comprends que vous avez 2 niveaux de ficelle et 3 niveaux d'agitation pour un plan factoriel complet de 6 traitements. Ceux-ci ont été répliqués deux fois 18 fois. Quelle est la définition des 9 unités expérimentales ?
Le test non paramétrique Steel-Dwass est destiné aux comparaisons par paires, il apparaît donc dans la plate-forme JMP Oneway. Vous pouvez créer une nouvelle colonne de données, Traitement, qui croise les colonnes de facteurs, Ficelle et Agitation, et effectuer ce test simple, mais vous risquez de manquer l'avantage d'ajuster un modèle aux données. Vous pouvez utiliser Analyze > Fit Model pour définir un prédicteur linéaire avec Twine, Agitation et Twine*Agitation. Votre réponse, bien sûr, est dans le rôle Y. La méthode ("personnalité") qui convient dépend de votre réponse à ma première question ci-dessus. Je suggère de considérer cette approche en plus de la simple comparaison de groupe.
