J'essaie d'analyser les données d'une expérience sur le terrain que j'ai menée en 2015. J'ai 4 facteurs fixes avec différents niveaux (nous les appellerons a, b, c et d). Le facteur c est imbriqué dans b. J'ai 1 facteur aléatoire (blocage - conception de bloc complet randomisé). Ma variable de réponse est le% de croissance en longueur (mm) allant de -25% (une partie rétrécie) à 70% et mon n est égal à 304. J'ai utilisé la plate-forme de modèles adaptés pour généraliser un modèle mixte linéaire qui est apparu à peu près comme je m'y attendais - avec les facteurs a, b, c et axb ayant des effets significatifs.
Mon problème est que lorsque je vais vérifier les résidus pour les hypothèses de normalité, les données ne sont pas normalement distribuées. En regardant le graphique quantile, on découvre une courbe qui s'écarte légèrement de la ligne normale. Dans ma recherche, j'ai vu ce type de courbes appelé queue de mort, et certains ont indiqué que toutes les données de% changement sont en réalité distribuées par Cauchy plutôt que gaussiennes (normales) et ne doivent pas être analysées avec ANOVA. C'est formidable, mais je ne sais pas quoi faire avec ces informations. Je comprends comment faire de l'ANOVA et de l'ANCOVA, mais au-delà de ça, je suis un peu perdu. J'ai essayé les transformations standard (log, sqrt) sans succès.
Je sais que l'utilisation d'un modèle mixte linéaire généralisé vous permet de travailler avec des données qui ne sont pas normalement distribuées, mais je n'ai pas JMP pro (qui, à mon avis, est le seul moyen d'utiliser glmm). Tout aide ou avis sera le bienvenu. Merci pour votre temps.
EDIT: ajout du nombre d'observations (n = 304)
Salut -- @Nathan_Haag
Ni JMP 13 ni JMP Pro 13 ne prennent en charge les modèles généralisés à effets mixtes linéaires. Nous avons cette demande de fonctionnalité documentée afin que le développement soit conscient de l'intérêt.
Je vous remercie,
Dan
