Quanti DF sono necessari per testare il numero X di effetti principali: modello di adattamento JMP<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Mi è stato chiesto di analizzare più effetti principali e le loro varie interazioni, ma non credo di poterlo fare poiché ricevo messaggi di errore Lost DFs quando utilizzo l'analisi Fit Model. Se può esserti d'aiuto, ecco il dettaglio dei dati. Effetti principali (dimensioni): Posizione (4), Cultivar (4), Regione (2, 2 posizioni raggruppate per regione) e Anno (3). Ottengo risultati/sembra avere abbastanza DF solo quando eseguo al massimo due effetti principali, ma mai con un'interazione.
Domanda 1) Ho un certo grado di libertà in termini di non essere in grado di analizzare più di due effetti principali, sperando di esaminarli tutti e quattro?
Domanda 2) Se dovessi analizzare solo due effetti principali, è corretto rieseguire il modello quando un effetto principale non risulta significativo? Ad esempio, ho eseguito la posizione dell'anno e non ho riscontrato che nessuno dei due fosse significativo, quindi ho eseguito nuovamente il modello rimuovendo l'anno poiché sono interessato alla posizione e ho riscontrato nuovamente che la posizione non era significativa, ma con un valore p inferiore.
Apprezzo qualsiasi consiglio
Ri: Quanti DF sono necessari per testare il numero X di effetti principali - Modello di adattamento JMPTravis: Concordo con tutti i consigli e i consigli che hai ricevuto da Martin e Mike sopra. Un altro approccio che potresti prendere in considerazione è, se stai utilizzando JMP Pro, la personalità di regressione generalizzata all'interno della piattaforma Stima modello. La regressione generalizzata può essere utilizzata con successo in un'ampia varietà di contesti e il "DF non sufficiente" è uno di questi. Non è una panacea, ma potrebbe aiutare.
Ri: Quanti DF sono necessari per testare il numero X di effetti principali - Modello di adattamento JMPGrazie mille per la risposta.
Per quanto riguarda le domande che hai posto:
- Ho 48 righe di osservazioni per Risposta/Y (Tannino, pH, TA, SSC e SG), ma queste osservazioni sono suddivise tra 4 cultivar, 4 posizioni e in tre anni, quindi 48/4/4/3 = 1, nessuna replica.
- Per complicare la mancanza di replica, per alcuni anni ho dati mancanti. Ad esempio, per la Cultivar A nel 2012 potrei avere dati per le località AC, ma non D.
- Non sembra che io abbia un problema anomalo, ma ancora una volta è difficile dirlo con la mia situazione
- I dati provengono da uno studio osservazionale; la frutta è stata raccolta dai coltivatori partecipanti, spremuta in un composito e le cinque misurazioni/risposte estratte dal composito. Questo processo è stato eseguito per ciascuna cultivar per le quattro località nell'arco di tre anni. L'unica randomizzazione è avvenuta nella selezione dei frutti da parte dei coltivatori per noi. Ma ancora una volta ci mancava la replica, cioè più frutteti che rappresentassero ciascuna località anziché solo una.
Ecco alcuni risultati del modello di adattamento (personalità: minimi quadrati standard, enfasi: leva dell'effetto) con un fattoriale completo meno l'interazione a tre vie. Sembra abbastanza buono, solo che non riesco a testare il tre vie, il che potrebbe non essere significativo.
Grazie
Ri: Quanti DF sono necessari per testare il numero X di effetti principali - Modello di adattamento JMPHai provato la regressione graduale della personalità?
Ri: Quanti DF sono necessari per testare il numero X di effetti principali - Modello di adattamento JMPGrazie mille per aver dedicato del tempo per rispondere. Spero che questo abbia senso:
Non ho repliche, uno studio osservazionale molto debole. Per la variabile di risposta Acidità, ad esempio, ho 48 osservazioni ma sono suddivise tra 4 località, 4 cultivar, in 3 anni (48/4/4/3 = 1). Ho rianalizzato i dati con alcune modifiche (risolti alcuni errori dell'utente) e sono riuscito a testare tre dei quattro effetti principali e l'interazione a due vie come mostrato di seguito, ma non l'interazione a tre vie.
1) Sono in grado di testare l'interazione a tre vie con l'analisi dei minimi quadrati parziali?
2) Il motivo per cui non sono riuscito a testare il quarto effetto principale, Regione (un raggruppamento delle 4 posizioni in 2 regioni), con o senza interazioni, è perché è colineare con la posizione? In tal caso, procedo semplicemente senza di esso nel modello? Non è necessario che sia nel modello, ma sarebbe bello testarlo se possibile.
3) Supponendo che 1) e 2) siano risolti, è corretto rimuovere un effetto principale da un modello se viene ritenuto non significativo o ciò è consentito solo per interazioni non significative?
Grazie
Fattoriale completo: (modello di adattamento, personalità: minimi quadrati standard, enfasi: effetto leva)
Fattoriale completo meno interazione a tre vie:
Ri: Quanti DF sono necessari per testare il numero X di effetti principali - Modello di adattamento JMPUna regola pratica che ho sempre utilizzato è che è necessario 1 grado di libertà per ogni termine nel modello che si sta tentando di eseguire più 1 grado aggiuntivo per l'intercetta: il minimo.Questa regola non ti consentirà di stimare i termini di errore nel tuo modello, quindi avrai bisogno di ulteriori gradi di libertà per farlo.
Dalla prima tabella sembra che stai cercando di descrivere un modello con 10 termini (inclusa l'intercetta) e hai solo 7 o 8 righe nella tabella dati.Ciò significa che stai tentando di proporre un modello che sarebbe sovrasaturo.In questi casi, i minimi quadrati parziali possono essere utili e potresti voler dare un'occhiata a questa opzione in Analizza> Metodi multivariati> Minimi quadrati parziali.Altrimenti, non sembra che tu abbia un numero sufficiente di osservazioni per fare ciò che stai proponendo.
Ri: Quanti DF sono necessari per testare il numero X di effetti principali - Modello di adattamento JMPCiao travis.alexander0!
tutto ciò a cui rispondo di seguito si basa sul fatto di non avere dati per dargli una breve occhiata. Lo dico perché ci sono diverse possibilità per cui potresti o meno trovare significativi più effetti principali.
Quindi, prima di tutto, immagino che tu stia utilizzando i minimi quadrati standard come algoritmo di modellazione e i test sugli effetti risultanti del modello, giusto? Se è così, ci sono principalmente due ragioni per cui un effetto principale verrà mostrato come non significativo. O non è significativo, significa che non ha effetti significativi sulla risposta, oppure ci sono colinearità e, ad esempio, la posizione (che non è significativa in tutti e tre i modelli è ad esempio in correlazione con l'anno o la cultivar.
Ancora una volta, senza avere la configurazione completa dei dati, posso solo indovinare. Ma questo è quello che farei prima di modellare:
1. Apri la piattaforma di distribuzione e inserisci tutti i fattori e le variabili di risposta come Y. Quindi fare clic su qualsiasi barra dell'istogramma, ad esempio Posizione, e vedere dove si trova la distribuzione selezionata e come differisce dalla distribuzione complessiva per tutte le altre variabili. Noti differenze nelle distribuzioni delle distribuzioni selezionata e complessiva? Oppure modelli, come una posizione ha valori inferiori rispetto all'altra posizione e così via. Ciò ti consentirà in modo molto semplice di vedere se c'è qualcosa di sospetto che potrebbe portare a comportamenti significativi (anche se non è ancora stato dimostrato statisticamente).
2. Dai un'occhiata a Fit Y by X. Immagino che la posizione, la cultivar e la regione siano categoriche, può anche essere l'anno. Usa la tua risposta come Y e le altre come X. Otterrai un Anova per la X categoriale (nel caso in cui la tua Y sia continua, altrimenti analisi di contingenza). In ogni caso vedrai se c'è un effetto significativo di una X su una Y. Questo può aiutare a vedere se potrebbe esserci qualcosa di significativo che non è significativo nel tuo modello. Quindi è probabile che sia dovuto a qualche effetto di interazione.
3. Dai un'occhiata a Adatta modello. Adatta un modello RSM, quindi tutte le interazioni e gli effetti quadratici per tutte le variabili X. Poiché probabilmente sono tutti categorici, non avrai bisogno degli effetti quadratici e potresti ricevere un avviso. Non eseguire un minimo quadrato standard ma una regressione graduale. Utilizza la soglia del valore p come criterio di arresto e lascia il resto come predefinito. Ora controlla quali effetti sono significativi. Differiscono dal modello precedente?
Realizza il modello solo con gli effetti selezionati ed eseguilo di nuovo con i minimi quadrati standard. Hai ancora un problema con la DoF?
In aggiunta a quanto sopra, potresti esaminare la mancanza di test di adattamento nei tuoi modelli, di solito nel rapporto sotto Analisi della varianza. La probabilità F è significativa? Se è così significa che al modello manca un effetto. Quindi o manca un'interazione o qualche altra variabile che non hai utilizzato o catturato. Ma il modello non rifletterà i tuoi dati abbastanza bene. È possibile dare un'occhiata al grafico effettivo in base a quello previsto, ai grafici dei residui e anche sul profiler. per comprendere meglio il comportamento dei fattori in base al modello.
Pertanto, l'utilizzo di elementi visivi dal Generatore di grafici/Distribuzione o da altre piattaforme ti fornirà una comprensione generale dei dati, le piattaforme di modellazione ti aiuteranno a trovare un buon modello ma potranno funzionare solo su ciò che fornisci. Esistono modelli sofisticati che potrebbero farlo per te in base all'algoritmo e se hai JMP Pro potresti usarli (ad esempio foresta bootstrap, regressione generalizzata ...).
Un altro aspetto che non ho chiesto finora riguarda i tuoi dati. Quante osservazioni (/righe) hai? Ci sono dati mancanti? hai (potenziali) valori anomali. I dati provengono da un esperimento progettato o da una misurazione o da dati di vendita raccolti?
Tutto ciò potrebbe portare a un approccio leggermente diverso che consiglierei poiché ognuno di loro ha altre sfide da superare e di cui tenere conto,
Spero che questo aiuti a fare il passo successivo,
Martino
