JMP は Steel-Dwass のランクを自動的に計算しますか?やあ
研究: 私は、2 種類のより糸が同じタンクで培養されたノンパラメトリック データセットを分析して、藻類の胞子の定着における優先度をテストします。 3 つのレベルの撹拌をテストしました。 より糸 (2) と攪拌 (3) の 3 つの複製を使用すると、6 つの組み合わせまたはデータセットが得られます。 それらは９つの実験ユニットで培養され、２×９本の麻ひもが使用された。
最初にフリードマン検定を行わずに、Steel-Dwass を使用して 6 つのデータセットの中央値を比較できますか? または、Fit X by Y を使用してランクを保存し、1 つの因子 (フリードマン検定に等しい) でブロックすることにより、ランクに対して 2 因子 ANOVA を実行して、主因子の効果を取得する必要がありますか? そして、独自に計算したランクでスティール・ドワスを使用しますか? それとも、Steel-Dwass を実行すると、JMP はランク付けされたデータを自動的に計算して使用しますか?
Re: JMP は Steel-Dwass のランクを自動的に計算しますか?見るヘルプ>書籍>線形モデルの適合の範囲で事後最終的なモデルを選択すると、テストが利用可能になります。 新しい列を作成したり、他の操作を実行したりする必要はありませんこのために比較。
Re: JMP は Steel-Dwass のランクを自動的に計算しますか?一般的に、あなたの質問に対する答えは「はい」ですが、例外が 1 つあります。 この計画では、ネストされた因子レベルは使用されません。 分割プロット分析には、変更が困難な要因である動揺をリセットするランダム効果を表す用語が含まれています。 そのため、各実行の実験単位に対応するレベル 1 ～ 9 を使用して、さらに別のデータ列を作成します。 この列を用語として追加し、[属性] の横にある赤い三角形をクリックして [ランダム効果] を選択します。
月を予測因子として含めることもできますが、時間経過が条件に依存する場合は、他の 2 つの要因と時間を交差させる必要があります。 あなたの設計がこれらすべてのパラメータの推定をサポートしているかどうかはわかりません。
また、一度に 1 つの応答にモデルを当てはめ、予測用にモデルを保存することをお勧めします。
また、
Re: JMP は Steel-Dwass のランクを自動的に計算しますか?通常の誤差で通常の最小二乗回帰を行うか、ポアソン誤差で一般化された線形モデルを行うには、データセットを 5 列に配置する必要がありますか?
Column1 (日付)、Column2 (FactorA、2 レベルのより糸)、Column3 (FactorB; 3 レベルの撹拌)、Column4 (応答 = 胞子)、Column5 (応答 2 = 実生)
分割プロットの設計では、Twine (2 レベル) を主因子として追加し、Twin 内にネストされた Agitation (3 レベル) を追加してモデル効果を構築します。 日付も追加し（名義変数としても）、Twineと交差させる必要があります（7つの日付で胞子と苗の数に関する3つのデータを収集しました）。 次に、モデルのエラー項をランダム効果 (属性) に修正し、メソッドで EMS を使用することを読みました。
最終的なカウントだけでクロスデザインとして扱うのは残念ですか？
おっしゃったように、2 つの主な要因 (「治療」) を組み合わせて新しい要因列を作成し、最終的な平均数の違いを評価することができます。
Re: JMP は Steel-Dwass のランクを自動的に計算しますか?さて、あなたの実験ユニットは「分割プロット」実験を定義します。 ひもは変更しやすい要因であり、アジテーションは変更しにくい要因です。
相関関係は、ノンパラメトリック検定ではうまく処理できません。 ラン間で攪拌がリセットされるとき、相関関係はランダム効果によって処理されます。
胞子を数えることは、通常の誤差で通常の最小二乗回帰を使用できるか、ポアソン誤差で一般化された線形モデルを使用できることを意味します。
Re: JMP は Steel-Dwass のランクを自動的に計算しますか?私の 2 つの応答変数は、各レプリケートでより糸に定着した胞子と定着した藻の苗の数です。 実際、実験を開始して7週間培養し、胞子と実生の両方を毎週（7週間）カウントしたため、実験は1回で、繰り返し測定がサンプリングされました. まず、最終日に違いを評価したいと思います。 念のために言っておきますが、2 種類のより糸を同じタンク (実験ユニット) でペアで培養し、3 段階の攪拌を 3 回繰り返しました (= 合計 18 のより糸、それぞれ 9 本の 9 タンクまたは実験ユニット)。
より糸は互いに独立していないため、ノンパラメトリック分析を選択するのが適切だと思います。 Fit X by Y と 1 つの因子によるブロックを使用してランクの 2factor ANOVA を計算することは、事実上、Friedman 検定 (JMP 13 にはありません) と同じであり、この検定はノンパラメトリックに対応することを読みました。 2 因子 ANOVA。 Steel-Dwass は事後テストとしてのみ使用できますか?
JMP 13 で「Wilcoxon テスト」を使用した方が良いですか?
Re: JMP は Steel-Dwass のランクを自動的に計算しますか?ノンパラメトリック (無分布) 法の選択は、パラメトリック法の仮定が満たされない場合にテストの検出力を維持する良い機会であることを付け加えておきます。 一方、仮定が満たされた場合、パラメトリック法の検出力は、ほとんどの場合、ノンパラメトリック法よりも大きくなります。
この場合、ノンパラメトリック検定を選択した理由は何ですか?
Re: JMP は Steel-Dwass のランクを自動的に計算しますか?まず、あなたの反応は何ですか？ 各反復テストの結果は? 測定ですか？ カウント？
6 処理の完全実施要因計画には、2 レベルの麻ひもと 3 レベルの撹拌があると理解しています。 これらは、18回の実行で2回繰り返されました。 9つの実験ユニットの定義は?
Steel-Dwass ノンパラメトリック検定はペアワイズ比較用であるため、JMP Oneway プラットフォームに表示されます。 因子列のTwineとAgitationを交差させる新しいデータ列Treatmentを作成し、この簡単なテストを実行することはできますが、モデルをデータに適合させる利点が失われる可能性があります. Analyze > Fit Model を使用して、Twine、Agitation、Twine*Agitation で線形予測変数を定義できます。 もちろん、あなたの応答はYの役割です。 適切な方法 (「性格」) は、上記の最初の質問に対するあなたの回答によって異なります。 単純なグループ比較に加えて、このアプローチを検討することをお勧めします。
