Estoy tratando de analizar los datos de un experimento de campo que ejecuté en 2015. Tengo 4 factores fijos con varios niveles (los llamaremos a, b, c y d). El factor c está anidado en b. Tengo 1 factor aleatorio (bloqueo - diseño de bloques completos al azar). Mi variable de respuesta es% de crecimiento en longitud (mm) que va desde -25% (algo encogido) a 70% y mi n es 304. Utilicé la plataforma del modelo de ajuste para un modelo mixto lineal que salió casi como esperaba, con los factores a, b, cy axb que tienen efectos significativos.
Mi problema es que cuando voy a verificar los residuos para los supuestos de normalidad, los datos no se distribuyen normalmente. Mirar la gráfica de quantil revela una curva s que solo se aleja un poco de la línea normal. En mi búsqueda, he visto este tipo de curvas llamadas de cola gruesa, y algunos han indicado que todos los% de datos de cambio son en realidad distribuidos por Cauchy en lugar de gaussianos (normales) y no deben analizarse con ANOVA. Eso es genial, pero no tengo idea de qué hacer con esa información. Entiendo cómo hacer ANOVA y ANCOVA, pero más allá de eso, estoy un poco perdido. He intentado las transformaciones estándar (log, sqrt) sin suerte.
Sé que el uso de un modelo mixto lineal generalizado le permite trabajar con datos que normalmente no se distribuyen, pero no tengo JMP pro (que creo que es la única forma de usar glmm). Cualquier consejo o consejo sería muy apreciado. Gracias por tu tiempo.
EDITAR: añadido número de observaciones (n = 304)
Hola -- @Nathan_Haag
Ni JMP 13 ni JMP Pro 13 admiten modelos lineales de efectos mixtos generalizados. Tenemos esta solicitud de característica documentada para que el desarrollo sea consciente del interés.
Gracias,
Dan
