Ich versuche, die Daten eines Feldversuchs zu analysieren, den ich 2015 durchgeführt habe. Ich habe 4 feste Faktoren mit verschiedenen Stufen (wir nennen sie a, b, c und d). Faktor c ist in b verschachtelt. Ich habe 1 Zufallsfaktor (Blockierung - randomisiertes komplettes Blockdesign). Meine Antwortvariable ist% Längenwachstum (mm) von -25% (einige geschrumpft) bis 70% und mein n ist 304. Ich nutzte die Plattform für das Fit-Modell, um ein lineares gemischtes Modell zu generieren, das ziemlich genau so aussah, wie ich es erwartet hatte - mit den Faktoren a, b, c und axb hatten erhebliche Auswirkungen.
Mein Problem ist, dass, wenn ich die Residuen auf Annahmen der Normalität prüfe, die Daten nicht normal verteilt sind. Ein Blick auf das Quantil-Diagramm zeigt eine s-Kurve, die nur ein wenig von der normalen Linie abweicht. Bei meiner Suche habe ich diese Art von Kurven gesehen, die als Fettschwanz bezeichnet wird, und einige haben angegeben, dass alle% -änderungsdaten tatsächlich Cauchy-Verteilung sind und nicht Gaußsche (normal) sind und nicht mit ANOVA analysiert werden sollten. Das ist toll, aber ich habe keine Ahnung, was ich mit diesen Informationen anfangen soll. Ich verstehe ANOVA und ANCOVA, aber darüber hinaus bin ich ein wenig verloren. Ich habe die Standardtransformationen (log, sqrt) ohne Erfolg ausprobiert.
Ich weiß, dass Sie mit einem verallgemeinerten linearen gemischten Modell mit Daten arbeiten können, die nicht normal verteilt sind, aber ich habe kein JMP-Pro (was meiner Meinung nach die einzige Möglichkeit ist, glmm zu verwenden). Alle Tipps oder Ratschläge wären sehr dankbar. Vielen Dank für Ihre Zeit.
BEARBEITUNG: Anzahl der Beobachtungen hinzugefügt (n = 304)
Hallo -- @ Nathan_Haag
Weder JMP 13 noch JMP Pro 13 unterstützen generalisierte lineare Mixed-Effekt-Modelle. Wir haben diese Feature-Anfrage dokumentiert, so dass sich die Entwicklung des Interesses bewusst ist.
Vielen Dank,
Dan
