Sto cercando di analizzare i dati di un esperimento sul campo che ho corso nel 2015. Ho 4 fattori fissi con vari livelli (li chiameremo a, b, c e d). Il fattore c è annidato in b. Ho 1 fattore casuale (blocco - progetto di blocco completo randomizzato). La mia variabile di risposta è% crescita in lunghezza (mm) che va da -25% (un po 'ridotto) al 70% e mio n è 304. Ho usato la piattaforma fit-model per un modello misto lineare generale che è uscito più o meno come mi aspettavo - con i fattori a, b, c e axb che hanno effetti significativi.
Il mio problema è che quando vado a controllare i residui per le ipotesi di normalità, i dati non sono normalmente distribuiti. Guardando la trama dei quanti si rivela una curva s che si allontana un po 'dalla linea normale. Nella mia ricerca ho visto questo tipo di curve chiamate fat tailed, e alcuni hanno istruito che tutti i% change data sono in realtà distribuiti da Cauchy piuttosto che gaussiana (normale) e non dovrebbero essere analizzati con ANOVA. È fantastico, ma non ho idea di cosa fare con queste informazioni. Capisco come fare ANOVA e ANCOVA, ma oltre a questo, sono un po 'perso. Ho provato le trasformazioni standard (log, sqrt) senza fortuna.
So che usare un modello misto lineare generalizzato consente di lavorare con dati che normalmente non sono distribuiti, ma non ho JMP pro (che credo sia l'unico modo per usare glmm). Qualsiasi consiglio o consiglio sarebbe molto apprezzato. Grazie per il tuo tempo.
EDIT: aggiunto numero di osservazioni (n = 304)
Ciao -- @Nathan_Haag
Né JMP 13 né JMP Pro 13 supportano modelli a effetti misti lineari generalizzati. Abbiamo questa richiesta di funzionalità documentata, quindi lo sviluppo è consapevole dell'interesse.
Grazie,
Dan
