JMP calcola automaticamente i ranghi in Steel-DwassCiao
Lo studio: devo analizzare un set di dati non parametrici in cui due tipi di filo sono stati colti nello stesso serbatoio per testare la preferenza nell'insorgere delle spore algali. Sono stati testati tre livelli di agitazione. Utilizzando 3 replicati del filo (2) e dell'agitazione (3) si ottengono 6 combinazioni o set di dati. Sono stati fatti coloni in 9 unità sperimentali e sono stati usati 2 * 9 pezzi di spago.
Posso usare Steel-Dwass per confrontare la mediana dei 6 set di dati senza prima fare un test di Friedman? O dovrei salvare i ranghi usando Fit X per Y e poi fare un ANOVA a 2 fattori su ranghi bloccando con un fattore (uguale al test di Friedman) per ottenere l'effetto dei fattori principali? E poi usa Steel-Dwass in ranghi calcolati da te? O JMP calcola e utilizza automaticamente i dati classificati quando viene eseguito Steel-Dwass?
Ri: JMP calcola automaticamente i ranghi in Steel-DwassVedere Aiuto > Libri > Montaggio di modelli lineari per la gamma di post hoc test disponibili dopo aver selezionato il modello finale. Non è necessario creare nuove colonne o eseguire altre ad hoc confronti.
Ri: JMP calcola automaticamente i ranghi in Steel-DwassIn generale, la risposta è sì alle tue domande, ma c'è un'eccezione. Questo design non usa livelli di fattore annidati. L'analisi split-plot include un termine per un effetto casuale di azzeramento dell'agitazione di fattore difficile da modificare. Crea quindi un'altra colonna di dati con i livelli 1-9 che corrispondono all'unità sperimentale per ogni corsa. Aggiungi questa colonna come termine e quindi fai clic sul triangolo rosso accanto a Attributi per selezionare Effetto casuale.
È possibile includere Mese come predittore, ma se il decorso temporale dipende dalle condizioni, è necessario passare anche il tempo con gli altri due fattori. Non so se il tuo progetto supporta la stima di tutti questi parametri.
Inoltre, consiglio di adattare il modello a una risposta alla volta e di salvare il modello per la previsione.
Anche,
Ri: JMP calcola automaticamente i ranghi in Steel-DwassPer fare regressione ordinaria dei minimi quadrati con errori normali o modello lineare genealizzato con errori di Poisson, dovrei disporre i set di dati in 5 colonne?
Colonna1 (data), Colonna2 (FattoreA, Spago con 2 livelli), Colonna3 (Fattore B; Agitazione con 3 livelli), Colonna4 (Risposta = spore), Colonna5 (Risposta2 = Piantine)
Per il disegno a trama divisa, costruisco gli effetti del modello aggiungendo Twine (2 livelli) come fattore principale e aggiungo Agitazione (3 livelli) annidati all'interno di Twine. Dovrei anche aggiungere la data (anche come variabile nominale) e incrociarla con Twine (ho raccolto dati triplici su spore e conteggi di seedling in 7 date). Quindi ho letto per correggere il termine dell'errore nel modello su Effetto casuale (in Attributi) e utilizzare EMS nel metodo.
Sarebbe un peccato trattarlo come un disegno incrociato solo sui conti finali?
Come hai detto, potrei creare una nuova colonna di fattori combinando i due fattori principali ("trattamento") e valutando la differenza nel conteggio medio finale.
Ri: JMP calcola automaticamente i ranghi in Steel-DwassBene, le tue unità sperimentali definiscono un esperimento di "split-plot". Il filo è il fattore facile da cambiare e l'agitazione è il fattore difficile da cambiare.
La correlazione non viene gestita meglio da un test non parametrico. La correlazione è gestita da un effetto casuale per quando l'agitazione viene ripristinata tra le esecuzioni.
Il fatto di contare le spore significa che potresti essere in grado di usare la regressione ordinaria dei minimi quadrati con errori normali o potresti usare un modello lineare genealizzato con errori di Poisson.
Ri: JMP calcola automaticamente i ranghi in Steel-DwassLe mie due variabili di risposta sono il numero di spore stabilizzate e piantine di alghe stabilizzate sui fili in ciascuna replica. In realtà, ho iniziato l'esperimento e l'ho coltivato per 7 settimane, e ho contato entrambe le spore e le piantine ogni settimana (per 7 settimane) - così, l'esperimento è fatto una volta e le misurazioni ripetute sono state campionate. Innanzitutto voglio valutare qualsiasi differenza alla data finale. Per ricordarti, i due tipi di spago sono stati coltivati a coppie nello stesso serbatoio (unità sperimentale) a cui ho applicato tre livelli di agitazione, in triplicato (= 9 serbatoi o unità exp con un totale di 18 spille, nove pezzi ciascuna).
Penso che sia appropriato scegliere un'analisi non parametrica a causa del fatto che i fili non erano indipendenti l'uno dall'altro. Ho letto che calcolando un ANOVA a 2 fattori sui ranghi utilizzando Fit X di Y e il blocco di un fattore, è in pratica lo stesso di un test di Friedman (che JMP 13 non ha) e questo test corrisponde a un parametro non parametrico ANOVA a 2 fattori. Steel-Dwass può essere utilizzato solo come test post hoc?
È meglio usare il "Wilcoxon Test" in JMP 13 ?.
Ri: JMP calcola automaticamente i ranghi in Steel-DwassDevo aggiungere che la scelta di un metodo non parametrico (senza distribuzioni) è una buona opportunità per mantenere la potenza del test quando le assunzioni dei metodi parametrici non sono soddisfatte. D'altra parte, la potenza del metodo parametrico è quasi sempre maggiore delle alternative non parametriche quando vengono soddisfatte le ipotesi.
Che cosa ti ha portato a scegliere i test non parametrici in questo caso?
Ri: JMP calcola automaticamente i ranghi in Steel-DwassPrima di tutto, qual è la tua risposta? Qual è il risultato di ciascun test di replica? È una misura? Un conteggio?
Capisco che tu abbia 2 livelli di spago e 3 livelli di agitazione per un disegno fattoriale completo di 6 trattamenti. Questi sono stati replicati due volte 18 corse. Qual è la definizione delle 9 unità sperimentali?
Il test non parametrico Steel-Dwass è per confronti a coppie, quindi appare nella piattaforma JMP Oneway. Potresti creare una nuova colonna di dati, Trattamento, che ha attraversato le colonne dei fattori, Twine e Agitation ed eseguire questo semplice test, ma potresti non avere il vantaggio di adattare un modello ai dati. È possibile utilizzare Analizza> Adatta modello per definire un predittore lineare con Agitazione di spago, agitazione e spago *. La tua risposta, ovviamente, è nel ruolo di Y. Il metodo ("personalità") appropriato dipende dalla risposta alla mia prima domanda di cui sopra. Suggerisco di considerare questo approccio oltre al semplice confronto di gruppo.
