23904_de-DE

liliconcom

Vollfaktorielles ANOVA-Add-In für wiederholte Messungen

  

Dieses Add-In generiert die linearen Mixed-Effects-Modellterme (Random- und Fixed-Effect) für einfaktorielle oder vollfaktorielle Messwiederholungsdesigns mit einer kontinuierlichen Antwortvariablen (kategoriale Antworten werden derzeit nicht unterstützt).

 

Video-Tutorials für das Add-In:

Ein Faktor: https://youtu.be/fh8jiFf2z-o

Fakultät : https://youtu.be/py3-wvPYitM

 

 

Installation:

• Laden Sie „factorial_repeated_measures.jmpaddin“ unten auf dieser Seite herunter.
• Doppelklicken Sie nach dem Herunterladen auf die Datei, um sie in JMP zu öffnen.
• Sie werden gefragt, ob Sie das Add-In installieren möchten. Wählen Sie „Installieren“.
• Im Add-Ins-Menü finden Sie einen Abschnitt für „Wiederholte Messungen“.

 

 

Faktorielle Versuchspläne:

Bei faktoriellen Designs mit wiederholten Messungen werden Probanden in jeder Bedingung der faktoriellen Kombination der subjektinternen Faktoren gemessen und werden nur auf einer Ebene der intersubjektbezogenen Faktoren gemessen. Beispielsweise könnten Probanden in einem Weinverkostungsexperiment mehrere verschiedene Weine verkosten und bewerten, dies erfolgt jedoch in der Regel auf einer Ebene von Geschlecht und Fachwissen, da sich die Ebenen dieser Faktoren im Laufe eines Experiments nur schwer ändern lassen. Vollfaktorielle Designs umfassen a vollständig Kreuz von Faktoren. Im folgenden Beispielexperiment probiert jeder Proband Wein aus 8 Gläsern, die aus der faktoriellen Kombination von vier verschiedenen Weinen gebildet wurden, die unter den beiden Bedingungen des Etiketts bewertet wurden (vier der Gläser wurden vor Flaschen mit teuer aussehenden Etiketten gestellt, und vier waren vor Flaschen mit billig aussehenden Etiketten platziert). Die faktorielle Kreuzung aus Fachwissen und Geschlecht, den Zwischensubjektfaktoren, umfasst die Messung von Personen in allen vier Kombinationen (F/Experte, F/Anfänger, M/Experte, M/Anfänger). Bei diesen Faktoren handelt es sich um „zwischen-Fach“-Faktoren, da kein Fach auf mehr als einer Ebene der Faktoren Fachwissen und Geschlecht gemessen wird.

 

 

Modellschätzung

Dieses Add-In generiert eine lineare Mixed-Effects-Modellanalyse. Ohne fehlende Daten liefert diese Analyse Schätzungen und Tests, die mit einer univariaten, allgemeinen linearen Modellanalyse mit wiederholten Messungen unter der Annahme einer zusammengesetzten Symmetrie identisch sind. Bei gemischten Modellen werden die Modellterme jedoch unterschiedlich geschätzt, sodass die Schätzungen bei fehlenden Daten unterschiedlich (und möglicherweise besser) ausfallen. Die univariate GLM-Analyse mit wiederholten Messungen erfordert vollständige Daten und Probanden mit fehlenden Zellen werden eliminiert, wohingegen gemischte Modelle fehlende Daten tolerieren können, ohne einen gesamten Probanden aus der Analyse auszuschließen. Fehlende Daten (die nicht zufällig fehlen) können Modellschätzungen verzerren. Ermitteln Sie daher unbedingt die Ursache fehlender Daten, bevor Sie die Ergebnisse eines Modells interpretieren.

 

 

Verwendung:

 

Wandeln Sie die Spalten in die entsprechende Rolle um und klicken Sie auf „Modell ausführen“ oder klicken Sie auf „Dialog starten“, um mit dem Dialogfeld „Modell anpassen“ fortzufahren und vor der Ausführung Änderungen am Modell vorzunehmen. Um das Dialogfeld nach der Ausführung geöffnet zu lassen, aktivieren Sie das Kontrollkästchen „Dialog geöffnet lassen“.

Notiz: Für diese Modelle sollte „Subject ID“ einen Nominal-Modellierungstyp haben; Dieses Add-In stellt den Modellierungstyp automatisch auf „Nominal“ ein, sofern dies noch nicht geschehen ist.

Modellterme werden generiert und eine Anpassungsmodellausgabe mit Zusammenfassung der Anpassungsdetails und Informationskriterien, Schätzungen der REML-Varianzkomponenten, Tests mit festen Effekten und Effektdetails wird gestartet.

In diesem Fall (mit zwei Faktoren innerhalb des Subjekts und zwei Faktoren zwischen Subjekten) sieht das generierte Modell wie folgt aus:

 

 

Modell

Auswirkungen ( : Geschlecht , : Sachverstand , : Wein , : Etikett , : Geschlecht * : Sachverstand , : Geschlecht * : Wein , : Geschlecht * : Etikett , : Sachverstand * : Wein , : Sachverstand * : Etikett , : Wein * : Etikett , : Geschlecht * : Sachverstand * : Wein , : Geschlecht * : Sachverstand * : Etikett , : Geschlecht * : Wein * : Etikett , : Sachverstand * : Wein * : Etikett , : Geschlecht * : Sachverstand * : Wein * : Etikett ) , Zufällige Effekte ( : Richter [ : Geschlecht , : Sachverstand ] , : Richter * : Wein [ : Geschlecht , : Sachverstand ] , : Richter * : Etikett [ : Geschlecht , : Sachverstand ] , : Richter * : Wein * : Etikett [ : Geschlecht , : Sachverstand ] ) ,

 

 

 

Unter dem obersten roten Dreieck stehen viele Optionen zur Verfügung, darunter zusätzliche Regressionsberichte, Parameterschätzungen, Diagnosediagramme und das Speichern von Residuen, Hebelpaaren usw.

 

 

Diagramme, Mittel und Tests

 

Expandieren Effektdetails um Diagramme für einzelne Faktoren und Wechselwirkungen zu erstellen und Tests an den Zellmittelwerten unter Verwendung aller paarweisen T-Tests, Tukey HSD und linearer Kontraste durchzuführen.

 

 

Um das Modell interativ zu profilieren, wählen Sie das oberste rote Dreieck > Faktorprofilierung > Profiler

 

 

Modell ändern und anzeigen

 

Wählen Sie das oberste rote Dreieck aus und wählen Sie Modelldialog um die Modellspezifikation einzusehen und Änderungen am Modell vorzunehmen.

 

Datei Format

 

Für dieses Add-In müssen die Daten im Hoch- oder Langformat vorliegen. Dies ist der Fall, wenn wiederholte Beobachtungen einer Person zeilen- und nicht spaltenübergreifend dargestellt werden (siehe unten).

 

Wenn Sie umfangreiche Daten umstrukturieren müssen, verwenden Sie „Tabellen“ > „Stapel“ und übertragen Sie die Spalten mit wiederholten Beobachtungen in den Abschnitt „Stapelspalten“. Bei faktoriellen Designs müssen Sie die Faktorstufen jedes Faktors heraustrennen. Mit Col > Recode kann dies schnell erledigt werden.

 

 

 

Weitere Details:

– Dieses Add-In generiert Begriffe mit dem folgenden Algorithmus:

- Vollfaktorielle Betrachtung aller Faktoren mit fester Wirkung (alle Faktoren innerhalb und zwischen Subjekten)

- Vollständige Fakultät nur mit subjektinternen Faktoren und Subjektfaktor (wobei redundante Begriffe entfernt wurden)

- Alle Begriffe, die das Thema betreffen, werden als Zufallseffekte gekennzeichnet

- Wenn Zwischen-Subjekt-Faktoren vorhanden sind, werden alle Begriffe, die Subjekte betreffen, als in allen Zwischen-Subjekt-Faktoren verschachtelt markiert

 

- Wenn es Replikate jeder Zelle gibt (jedes Subjekt war in jedem Zustand mehr als einmal), ist die Interaktion höchster Ordnung mit den Subjekten abschätzbar. Wenn es keine Replikate gibt, wird diese Interaktion höchster Ordnung mit dem Residuum verwechselt (es IST das Residuum) und automatisch entfernt.

 

- Die Modelle sind auf bis zu 5 subjektinterne Faktoren und bis zu 5 subjektübergreifende Faktoren beschränkt. Wenn Sie regelmäßig Modelle mit mehr als 5 innersubjektbezogenen oder 5 intersubjektbezogenen Faktoren verwenden, teilen Sie mir dies bitte mit.

 

 

 

Zusätzliche Videos:

Ich habe hier zwei Sätze Videos mit mehr Details, die nützlich sein könnten, z Wenn Sie uns dieses Add-In zur Verfügung stellen.

 

Modul 2:8 – Ein-Faktor-Wiederholungsmessungen

Modul 2:9 – Faktorielle Messwiederholungen

 

 

Ich hoffe, das hilft Ihnen bei der Analyse wiederholter Messungen!

 

julianisch

 

 

Update-Verlauf:

 

v0.09: Schaltfläche „Dialog starten“ hinzugefügt

v0.08: Schaltfläche „Zurückrufen“ und Kontrollkästchen „Dialog geöffnet lassen“ hinzugefügt.

VersuchsplanungStatistikenStatistikunterrichtDienstprogrammeBetreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Liebling @julianisch ,

Basiert das F-Verhältnis in der Tabelle mit festen Effekten, die mithilfe des Add-ins für wiederholte Messungen generiert wird, auf der Quadratsumme vom Typ II oder Typ III?Scheint, als ob das F-Verhältnis näher an der Berechnung mit SS vom Typ II liegt.

 

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Liebling @julianisch ,

Ich verwende dieses Add-In nun schon seit einiger Zeit und es ist sehr nützlich.

Wäre es möglich, für die Zufallskoeffizienten „verschachtelt“ in „Kreuz“ zu ändern? Dies würde die Verwendung kontinuierlicher „Zwischen-Subjekt-Faktoren“ ermöglichen. Bei der Einführung eines kontinuierlichen „Zwischen-Subjekt-Faktors“ weigert sich die Anpassungsmodellplattform derzeit, die verschachtelten Terme (und das Modell als Ganzes) zu schätzen.

Vielen Dank für Ihre innovativen Beiträge.

Ron

 

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Julian,

Ich bin immer noch ein Fan dieses Add-ons und habe mich gefragt, wie Ihr Zeitplan für die nächste Iteration aussehen könnte. Derzeit verwende ich beispielsweise SPSS oder eine andere Software, um die Effektgrößen zu testen, da es anscheinend keine einfache Möglichkeit gibt, diese von JMP für Designs innerhalb des Subjekts oder mit gemischten Effekten zu erhalten. Dies ist auch ein schwerwiegender Nachteil, wenn JMP zum Unterrichten von Statistiken verwendet wird. Es wäre äußerst nützlich, wenn dies zu diesem Plugin hinzugefügt werden könnte (oder das Plugin „Effektgrößen berechnen“ erweitert werden könnte, um für gemischte und themeninterne Designs zu funktionieren).

Prost und Danke!

Bernhard

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo @jsheldon1 ,

Es tut mir leid zu hören, dass Sie Probleme haben. Es wäre hilfreich, wenn Sie mir mehr darüber erzählen könnten, was Sie vorhaben und wie Ihr Datensatz aussieht. Wenn Sie ein kleines Stück davon anbringen könnten, wäre das besonders hilfreich. Ohne mehr zu wissen, gehe ich davon aus, dass einer Ihrer Spaltennamen Sonderzeichen enthält (dieses Add-In ist nicht besonders robust gegenüber nicht alphanumerischen Zeichen in Spaltennamen). Könnte das das Problem sein? Julian

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Ich versuche, eine Analyse mit Ihrem Add-In durchzuführen und erhalte folgende Fehlermeldung:

Nicht erkannte Effektoption 2 Mal beim Zugriff oder bei der Auswertung von „And“, :ID[:State] & /*###*/Random/*###*/

 

Irgendeine Idee, was es bedeuten könnte?

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Danke Julian, ich freue mich darauf zu sehen, was du kochst!

Sie haben Recht, das Makro „vollständig faktoriell“ ist in der Tat nützlich

Prost

Bernhard

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo @bernhard ,

Vielen Dank für die Vorschläge! Ich werde diese zu meiner Liste zukünftiger Verbesserungen hinzufügen und Sie auf jeden Fall informieren, wenn eine neue Version verfügbar ist. Übrigens funktioniert das Standarddialogfeld „Modell anpassen“ für Designs, die vollständig zwischen Subjekten liegen, recht gut: Wählen Sie einfach alle Ihre Faktoren in der Spaltenliste aus, klicken Sie dann auf das rote Dreieck neben „Makros“ und dann auf „Vollfaktoriell“ (oder „Faktorial sortiert“), um die automatische Generierung durchzuführen alle Modelleffekte.

@julianisch

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Julian,

Nochmals vielen Dank für dieses Add-on, es ist äußerst nützlich und viel einfacher zu verwenden als die Standardmethode von JMP.

Falls Sie an Vorschlägen für weitere Verbesserungen interessiert sind:

- Hinzufügen von Optionen zum Testen Annahmen wäre von unschätzbarem Wert (besonders bei der Lehre mit JMP, aber auch bei Alltagsanalysen)

- Hinzufügen von Optionen zum Testen Effektgrößen Wäre auch großartig, insbesondere angesichts der Tatsache, dass die meisten Zeitschriften, APA usw. die Einbeziehung von Effektgrößen verlangen

- Könnte dieses Plug-in so erweitert werden, dass es auch nur für Effekte zwischen Subjekten funktioniert? Dass es wahrscheinlich die wichtigste Anlaufstelle für alle meine ANOVA-Bedürfnisse werden würde

Prost und Danke!

Bernhard

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Julian,

 

Ich möchte noch eine Frage stellen. Warum erhalte ich unterschiedliche Schätzungen, wenn ich ein Random-Intercept-Modell auf JMP und auf SPSS durchführe? Ich kann sehen, dass es in JMP im Vergleich zur Ausgabe in SPSS mehr Freiheitsgrade gibt.Bei den festen Effekten erhalte ich genau das gleiche Ergebnis. Ist das tatsächlich ein Problem, dass zwei unterschiedliche Softwareprogramme die gleichen statistischen Ergebnisse in Bezug auf F-Wert und p-Wert liefern, aber unterschiedliche Schätzungen für feste Effekte?

 

Vielen Dank!

Prost

Dalia

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

@julianisch
Vielen Dank für die schnelle Antwort. Ja, es scheint, dass ich hohe zeitliche Autokorrelationen habe. Ich werde in der allgemeinen JMP-Community danach fragen.

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo @tsingh ,

Ich würde Ihnen gerne einige allgemeine Gedanken mitteilen, aber Zeitreihendaten wie diese sind nicht mein Fachgebiet, daher denke ich, dass Sie vielleicht mehr Glück haben, wenn Sie Ihre Frage in der allgemeinen JMP-Community veröffentlichen. Ich gehe davon aus, dass Sie diese Daten wahrscheinlich nicht mit diesem Add-in analysieren sollten. Das heißt nicht, dass Sie das nicht könnten – „Site“ könnte Ihre Subjekt-ID und „Month“ ein Effekt innerhalb des Subjekts sein, aber Sie werden die gesamte Autokorrelation zwischen nahe beieinander liegenden Punkten ignorieren, und das ist wahrscheinlich gut Grund, die zyklischen Temperaturmuster sowohl innerhalb als auch über Tage hinweg zu modellieren. Wenn ich nicht wirklich behaupten könnte, dass die Temperaturmessungen innerhalb eines Monats für einen bestimmten Standort unabhängig seien, würde ich einen anderen Weg gehen! Auch hier ist das allgemeine Community-Diskussionsforum ein guter Ort für diese Frage – ich gehe davon aus, dass jemand mit etwas Zeitreihenerfahrung einige Ratschläge geben kann.

julianisch

 

 

 

 

 

 

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Julian,

Ich hätte gerne Ihren Rat, wie ich meine Daten mit dieser Analyse analysieren sollte und ob diese Analyse für meine Daten geeignet ist.

Ich habe stündliche Messungen der Wassertemperaturdaten für 5 Monate an 5 Standorten.
24 x 30 x 5 x 5 = 18000 Datenpunkte.

Ich möchte sehen, ob sich die Wassertemperatur zwischen den Standorten jeden Monat erheblich unterscheidet und ob es insgesamt signifikante Unterschiede zwischen den Standorten gibt, z. B. zwischen Standort und Standort x Monat-Interaktion.

Meine Daten sind im Langformat mit den folgenden Spaltennamen
1.Site

2.Tagesnummer (0-150)
2. Monat (Juni-Oktober)
3. Stunden (0-24)
4. Temperatur (Antwortvariable)

Deshalb habe ich Monate und Standorte innerhalb der Themenfaktoren hinzugefügt.
Ich bin etwas verwirrt darüber, welchen Faktor ich in die Betreff-ID eingeben soll, ob es sich um die Tagesnummer oder um die Stunden handeln soll. Ich bin nicht daran interessiert, stündliche oder tägliche Schwankungen zu sehen.

 

Denken Sie auch, dass ich für meine Daten vollfaktorielle wiederholte Anova verwenden sollte, oder denken Sie, dass ich lieber ein gemischtes Modell erstellen sollte, indem ich eine wiederholte Struktur (z. B. corAR1 usw.) spezifiziere?

Vielen Dank.

 

 

 

 

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo @Dalia ,

Ich habe gerade auf Ihre private Nachricht geantwortet, dachte aber, dass andere, die diese Kommentare lesen, an der Antwort interessiert sein könnten, also füge ich sie hier ein. Ich hoffe, das hilft, einige Dinge zu klären!

---

Hoffentlich kann ich dabei ein wenig helfen! Gemischte Modelle können sicherlich kompliziert sein, insbesondere weil es manchmal kein einziges „richtiges“ Modell für eine bestimmte Situation gibt. Dieses Add-In passt zu einem „Maximalmodell“, und damit meine ich, dass es alle möglichen Interaktionen zwischen Ihren Probanden (den Zufallseffekt) und Ihren festen Effekten (tatsächliche Faktoren in Ihrem Experiment) berücksichtigt. Wenn Sie mit gemischten Modellen nicht so vertraut sind, ist das wahrscheinlich nicht besonders hilfreich. Im Allgemeinen bedeutet dies, dass Sie in einem vollständigen Maximalmodell mehr Parameter schätzen als in einem vereinfachten Modell, in dem Sie nur einen zufälligen Schnittpunkt für jedes Subjekt schätzen. Im einfachsten Modell behaupten Sie mit nur dem Zufallsschnittpunkt (nur der Begriff für ein als zufällig markiertes Subjekt, aber keine Interaktionen zwischen der Subjektvariablen und anderen Variablen), dass sich Subjekte nur in ihrer durchschnittlichen Bewertung voneinander unterscheiden – dass sie wird auf Ihre Manipulationen genauso reagieren (und dies ist das Modell, das Sie ausgeführt haben, indem Sie dem PDF in der Lernbibliothek gefolgt sind). In diesem Modell wird jede Variation, die Sie zwischen verschiedenen Probanden in der Reaktion auf Reize beobachten, als reiner Fehler eingestuft und nicht als echte Unterschiede in der Art und Weise, wie Menschen auf die Reize reagieren. Dies ist im Allgemeinen nicht realistisch; Diese Art von Modell verwendet jedoch weitaus weniger Freiheitsgrade und daher steht Ihnen mehr DF für Fehler zur Verfügung, was im Allgemeinen mehr Leistung bedeutet.

 

Was ist also besser? Ich verwende dafür gerne mein Weinbeispiel – im Beispiel für das Add-In passt das Modell zu einer Interaktion zwischen den Themen und der Weinsorte (rot oder weiß). Dies ist hilfreich, da manche Menschen Rotwein mehr mögen als Weißwein und andere Weißwein lieber als Rotwein. Da es im Modell einen Parameter gibt, der diese Variation zwischen Menschen erklären kann, werden die beobachteten Unterschiede in der durchschnittlichen Reaktion auf Weiß- und Rotweine nicht als reiner Fehler, sondern als systematische Variation zwischen Menschen interpretiert. Bei einer großen Stichprobengröße würde die Unterscheidung zwischen diesem systematischen Fehler und dem reinen Fehler zu mehr Aussagekraft führen. Bei einer kleinen Stichprobe ist es wahrscheinlich, dass man durch die Anpassung aller zusätzlichen Interaktionen Effekte übersehen würde, es sei denn, die Interaktionen sind wirklich ziemlich groß (z. B. gibt es eine Gruppe von Menschen, die sich in ihren Vorlieben für Wein stark unterscheiden).

 

Dies bedeutet also, dass ich im Allgemeinen für menschliche Probanden der Meinung bin, dass diese Wechselwirkungen zwischen dem Zufallseffekt (unseren Probanden) und den festen Faktoren eine Schätzung wert sind, da es schwer zu glauben ist, dass Menschen im Gegensatz zu Maschinen darauf reagieren Gleiches gilt für Manipulationen. Wenn Sie kleine Stichproben haben, ist es manchmal besser, mit einem reduzierten Modell mit nur einigen zufälligen Steigungen (Interaktionen mit Probanden) zu arbeiten. Sie können einen Eindruck davon bekommen, wie viel Variation die zufälligen Steigungen ausmachen, indem Sie im Abschnitt „REML-Varianzkomponenten“ nachsehen. Wenn die Interaktionen mit dem Subjekt einen großen Prozentsatz der Gesamtvariation ausmachen, sind sie wahrscheinlich nützlich, andernfalls würden einige argumentieren, dass Sie sie entfernen sollten. Denken Sie daran, dass Sie jederzeit zum roten Dreieck oben gehen und „Modelldialog“ auswählen und dann in den Abschnitt „Zufällige Effekte“ gehen können, um Begriffe zu entfernen.

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Julian,

 

Ich möchte um Hilfe bitten, da ich Schwierigkeiten habe, drei Arten von Strategien zu verstehen, die zur Untersuchung der wiederholten Messungen angewendet werden. In meiner Studie liefern sie alle unterschiedliche Ergebnisse. Zu diesen Modellen gehören:

1) Vollfaktorielles gemischtes ANOVA-Add-in

2) Gemischte Modellanalyse unter Verwendung des Anpassungsmodells und des Zufallssubjekts im Attributabschnitt: https://community.jmp.com/t5/JMP-Academic-Knowledge-Base/Mixed-Model-Analysis-OPG/ta-p/21747

3) Gemischte Modelpersönlichkeit mit Pro

 

Mein Design umfasst 16 Werbung in 4 Kategorien, die von 2 Verbrauchergruppen gesehen wird. Ich untersuche ihre Unterschiede im kognitiven Engagement.

 

1) Für ein erstes Modell verwende ich kognitives Engagement als abhängig, Verbrauchergruppe als dazwischen, Werbekategorie als innerhalb und Subjekt-ID als zufälligen Effekt.

 

2) Mein zufälliger Schnittpunkt ist die Betreff-ID, meine Abhängigkeit ist das kognitive Engagement, ich modelliere Verbraucherkategorie, Anzeigenkategorie und deren Interaktion.

 

3) Ich habe keine Pro-Version. Gibt es einen Unterschied zwischen der Durchführung einer gemischten Modellanalyse wie im zweiten Fall oder der Verwendung des gemischten Modells?

 

Vielen Dank. Ich schätze deine Hilfe sehr.

Prost

Dalia

 

 

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Mein Studiendesign ist 2 x 2 x 3 x 3. T Die ersten drei Faktoren (2x2x3) waren innerhalb der Teilnehmer, und der dritte (mit 3 Ebenen) lag dazwischen. Wenn ich das Add-In verwende, heißt es im Bericht, dass ich im Abschnitt „Test auf feste Effekte“ „Verlorene DFs“ habe, was meiner Meinung nach Freiheitsgrade bedeutet. Außerdem wird beim Fixed-Effects-Test keine weitere Ausgabe ausgegeben Kann mir jemand sagen, warum das so ist? 

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Vielen Dank für das Feedback, MS! Ich sollte dies wirklich robuster für Sonderzeichen machen, und es hört sich so an, als hätte ich das an einigen Stellen getan, an anderen jedoch nicht!

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Tolles Add-In! Spart viel Zeit im Vergleich zur manuellen Eingabe desselben Modells im Dialogfeld „Modell anpassen“.

Das einzige Problem besteht bisher bei Spaltennamen, die ungerade Zeichen wie „%“, „(“ oder „/“ enthalten. Ich erhalte eine Fehlermeldung und das Protokoll liest

„Das Element „Response Cs137/kg dw“ kann im Gliederungskontext {„Response Cs137/kg dw“} nicht gefunden werden.

Name ungelöst: Cs137 beim Zugriff oder bei der Auswertung von „Cs137“, :Cs137/*###*/Exception beim Plattformstart“

Trotzdem wird ein Bericht mit identischen Schätzungen, aber unterschiedlichen Umrissfeldern (Standardeinstellung für das Modell?) erstellt.

(Ich verwende JMP 12.2 für Mac)

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Benson,

Ich wollte Sie darüber informieren, dass ich der neuesten Version dieses Add-Ins die Optionen „Rückruf“ und „Dialog geöffnet lassen“ hinzugefügt habe. Ich hoffe das hilft!

julianisch

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Julianisch,

Ich denke, Sie haben in mehrfacher Hinsicht Recht. Die Zeit in meiner Studie ist kontinuierlich (0-120 Minuten; 5-Minuten-Schritte), ebenso wie der df. Ich führe eine vorläufige Analyse durch und wir haben nur eine n von 4, sodass mehr Probanden benötigt werden. Jetzt kenne ich jedoch den Prozess für das 2-Wege-Anova-Plug-In.

Vielen Dank für Ihre Hilfe!

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Wenn Ihnen diese Konfidenzintervalle fehlen, vermute ich, dass Sie beim Versuch, das Modell anzupassen, auch andere Fehler erhalten haben. Aufgrund der Anzahl der Ebenen, die Sie für die Zeit haben, vermute ich, dass Sie nicht über genügend Freiheitsgrade verfügen, um das Modell unter Verwendung der Zeit als nominal anzupassen. Ich habe erwartet, dass Sie Einzelpersonen zu weitaus weniger Zeitpunkten gemessen haben. Angesichts der Anzahl der Ebenen, die Sie haben, scheint es, dass Sie besser dran wären, die Zeit als kontinuierlichen Effekt zu modellieren, d was die Behandlung der Zeit als nominal bewirkt und daher im Hinblick auf die geschätzten Parameter teuer ist).Dafür ist mein Add-In nicht konzipiert – das Modell, das Sie anpassen möchten, ist eines, in dem Sie zufällige Koeffizienten verschachteln, was Sie mit der dedizierten Persönlichkeit „Gemischtes Modell“ in „Modell anpassen“ in JMP Pro tun können. Hier ist die Dokumentationsseite dazu:

Starten Sie die gemischte Model-Persönlichkeit

Es tut mir leid, dass mein Add-In Ihnen bei dieser Analyse nicht helfen konnte!

julianisch

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Ja, Studien und Behandlungen sind austauschbar. In meinem Modell gibt es 3 Behandlungen/Versuche. Ich habe die Versuche und die Zeit auf beide Nennwerte geändert. Ist es normal, dass die Ausgabe bei dieser Änderung nicht das obere und untere 95 %-KI anzeigt?

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Dies geschieht, wenn entweder Zeit, Versuch oder beides in Ihrem Datensatz als kontinuierlich markiert ist. Alle sollten für dieses Add-in und diesen Analysetyp als nominal markiert werden, um den Mittelwert und die Mittelwertdifferenz zwischen den Behandlungen zu den verschiedenen Zeitpunkten abzuschätzen.

Ist „Trial“ übrigens ein Alias für „Treatment“ oder wollten Sie in Ihrem Modell „Treatment“ und nicht „Trial“ verwenden?

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Danke Julian.

Ja du hast Recht. Ich versuche, die Unterschiede zwischen den Zeitpunkten pro Behandlung zu untersuchen. Wenn Sie jedoch auf das rote Dreieck des Felds „Testzeit“ unter dem Feld „Effektdetails“ klicken, um die Analyse auszuführen, scheint es, dass keine der Optionen hervorgehoben ist. Ich kann in den Feldern „Testversion“ und „Thema“ einzeln weitere Analysen durchführen. Bitte sehen Sie sich das Bild an, wenn das Sinn macht:

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo jxa014 ,

Sie können Folgevergleiche durchführen, indem Sie den Abschnitt „Effektdetails“ erweitern und dann die roten Dreiecke neben jeder Quelle in Ihrem Modell verwenden. Anscheinend sind Sie am meisten daran interessiert, die Behandlungen zu unterschiedlichen Zeitpunkten zu vergleichen. Das bedeutet, dass Sie sich den Abschnitt „Versuch x Zeit“ ansehen und dann eine der dortigen Optionen verwenden. Ich habe einige Videos, die einige dieser Folgeoptionen demonstrieren. In diesen Videos wird ein faktorielles Modell mit nicht wiederholten Messungen besprochen, die Prinzipien sind jedoch identisch.

Übersicht über einfache paarweise Vergleiche in Fit Model:

Paarweise Vergleiche in JMP mit Fit Model (Modul 2 3 4) – YouTube

Allgemeine faktorielle Anova:

Faktorielle ANOVA (4x4) Vollständige Analyse (Modul 2 5 10) – YouTube

Testen von Slices (was Sie meiner Meinung nach besonders interessieren könnte)

Testen von Slices in faktoriellen Designs (Modul 2 5 11) – YouTube

Diese Videos sind Teil meiner Videoreihe „Significantly Statistical Methods in Science“. Die gesamte Modulreihe finden Sie hier:

Signifikant statistische Methoden in der Wissenschafts-Playlist

Hoffe das hilft!

julianisch

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Julianisch,

Das war perfekt. Vielen Dank. Ich habe die Analyse für eine der Antwortvariablen durchgeführt und hier war das Ergebnis:

Tests mit festen Effekten

Quelle Nparm DF DFDen F-Verhältnis Prob > F

Versuch 2 2 6.006 2,6589 0,1489

Zeit 1 1 2.938 389,5700 0,0003

Probezeit 2 2 5.904 5.5986 0,0433

Verfolge ich nun Tests zur Test-Zeit-Interaktion?

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo jxa014 ,

Natürlich gebe ich hier gerne Hinweise!Ist Ihre Datentabelle in dem oben gezeigten Format strukturiert (Lang- oder Hochformat, mit wiederholten Beobachtungen für ein Thema über Zeilen hinweg)?Wenn nicht, müssen Sie Ihre Daten über Tabellen > Stapeln stapeln.Lassen Sie mich wissen, wenn Sie dies tun müssen, dann kann ich Ihnen genauere Ratschläge geben. Es wäre auch hilfreich, wenn Sie ein Beispiel Ihres Datensatzes beifügen würden (sogar nur ein paar Zeilen lang), damit ich Sie besser beraten kann.

Wenn Ihre Daten im richtigen Format vorliegen, sollte das Einrichten der Analyse unkompliziert sein: Platzieren Sie die Variable Ihrer Probanden (was auch immer die Probanden eindeutig identifiziert) im Abschnitt „Probanden-ID“, platzieren Sie ZEIT im Abschnitt „Innerhalb des Subjekts“-Faktors (da Sie wiederholte Beobachtungen für Probanden haben). zu anderen Zeiten).TRT kann abhängig von Ihrem Subjekt innerhalb oder zwischen Subjekten erfolgen Methodik. Wenn Sie jedes gemessen haben Thema unter Bei allen drei Behandlungen sollte TRT in den Abschnitt innerhalb des Subjekts fallen. Wenn Sie jedes Subjekt nur einer der drei Behandlungen zugeordnet haben, sollte TRT in den Abschnitt „Zwischen-Subjekt-Faktor“ fallen.

Sobald Sie das Modell ausführen, erhalten Sie die übliche statistische Ausgabe. Wenn Sie am meisten an der Wechselwirkung zwischen Zeit und Behandlung interessiert sind, finden Sie Details zur statistischen Signifikanz in der Tabelle „Test mit festem Effekt“. Unter den Effektdetails können Sie die LS-Mittelwerte finden und Folgevergleiche durchführen.

Ich hoffe das hilft!

julianisch

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo,

Ich habe dieses Add-In gerade heruntergeladen und es sieht großartig aus, aber ich bin es gewohnt, die Analyse im traditionellen JMP-Anpassungsmodell durchzuführen. Ich frage mich, ob Sie mir beim Layout meiner Variablen und Experimente helfen könnten:

Ich habe ein Experiment, bei dem unsere Probanden (SUBJECTS) 3 Behandlungen (TRT) erhielten, die jeweils über einen Zeitraum von 2 Stunden (TIME) analysiert wurden, und mehrere Reaktionsvariablen aufgezeichnet wurden (Kerntemperatur, Herzfrequenz und Hauttemperatur).

Ich möchte mir die wiederholten Messungen (Behandlung x Zeit) ansehen und speziell prüfen, ob es Unterschiede zwischen den TRTs für jeden Zeitpunkt gibt.

Lass mich wissen was du denkst!!!

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo benson.munyan ,

Ja, das ist ein toller Vorschlag! Ich habe es zur Liste der Verbesserungen für die nächste Version hinzugefügt.Außerdem füge ich ein Kontrollkästchen für „Dialog geöffnet halten“ hinzu, was ich in „Modell anpassen“ oft mache, wenn ich verschiedene Modelle ausprobiere.

julianisch

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Julian,

Ich nutze Ihr Add-on schon oft und es gefällt mir sehr gut. Mein einziger großer Kritikpunkt ist, dass es im Gegensatz zu vielen anderen Plattformen keine Rückruftaste gibt. Gibt es eine Möglichkeit, die hinzugefügt werden könnte?

Danke!

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Hallo Dacullin ,

Entschuldigung, dass ich Ihre Nachricht bisher verpasst habe. Lassen Sie mich auf jede Ihrer Fragen eingehen

Insgesamt scheinen Ihre Fragen für die Analyse im Kontext einer ANOVA mit wiederholten Messungen (oder eines gemischten Modells, was dieses Add-in leistet) geeignet zu sein, auch wenn Sie kein Interesse an den Haupteffekten oder Wechselwirkungen haben. Es gibt jedoch ein paar Dinge zu beachten:

a) Bei einer Skala von 0 bis 3 haben Sie nicht viel Grund zu der Annahme, dass die Bevölkerungswerte normalverteilt sind, daher könnten Sie sich über diese Annahme des Modells ein wenig Sorgen machen. Sie sagten jedoch, Sie hätten mehrere hundert Lehrer, daher wird Ihnen der zentrale Grenzwertsatz in dieser Hinsicht weiterhelfen.

b) Es ist wahrscheinlich so, dass Ihre Kovarianzen zwischen den Fragen unterschiedlich sind – einige Antworten auf Fragen beziehen sich wahrscheinlich stärker auf andere. Im Wesentlichen ist dies das, was Sie tun Mauchlys Sphärizitätstest deutete darauf hin – ein Verstoß gegen diese Annahme. Dies stellt jedoch ein kleines Problem für Folgetests dar, da einige möglicherweise konservativ und andere antikonservativ sind. Die Analyse von Teilmengen Ihrer Daten kann diese Sorge ein wenig verringern, da Sie Annahmen über weniger Kovarianzen treffen. Wenn Sie JMP Pro verwenden, können diese Tests mit unstrukturierten Kovarianzen ausgeführt werden, aber darauf gehen wir noch nicht ein.

c) Bei den ersten drei Fragen scheint es Ihnen egal zu sein, die Item-Antworten von Lehrern auf unterschiedlichen Niveaus zu vergleichen. Daher könnte es sinnvoll sein, diese Analyse für jedes Lehrerniveau separat durchzuführen (auf diese Weise würden Sie sie nicht einbeziehen). Lehrerniveau als Zwischenfachfaktor). Eine einfache Möglichkeit, dies zu tun, ist die Verwendung des Datenfilters (Zeilen > Datenfilter) und der Ausschluss aller Lehrer außer der Gruppe, die Sie betrachten möchten. Das Add-In, wie ich es geschrieben habe, enthält nicht die Option, eine By-Variable zu verwenden, was normalerweise die direkteste Möglichkeit wäre. Ich werde dies zur Liste der Funktionen hinzufügen, die ich diesem Add-In hinzufügen möchte.

- Alternativ können Sie diese Analyse über Analysieren > Modell anpassen einrichten, was die Verwendung einer Nach-Variablen ermöglicht, indem Sie wie folgt vorgehen (vorausgesetzt, Sie haben Ihre Daten gestapelt, wie in der Add-In-Beschreibung oben dargestellt).

- Analysieren > Modell anpassen

- Antwort als Y

- Subjekt-ID als erster Faktor, wählen Sie sie im Abschnitt „Modelleffekte“ aus, klicken Sie auf „Attribute“ und wählen Sie dann „Zufällig“ – dadurch wird Ihre Subjekt-ID als zufälliger Effekt markiert, sodass JMP weiß, wie es richtig modelliert wird

- Fügen Sie Ihren Testfragefaktor zum Abschnitt „Modelleffekte“ hinzu

- Lehrerebene als BY-Variable hinzufügen

– Dadurch werden drei separate Fit-Modell-Ausgaben zurückgegeben, eine für jede Lehrerebene. Von dort aus können Sie Folgendes tun:

Fragen 1, 2, 3) Nachdem Sie das Modell mit diesem Add-In ausgeführt haben (nachdem Sie den Datenfilter verwendet haben, um nur eine Gruppe von Lehrern einzubeziehen), können Sie den Abschnitt „Effektdetails“ erweitern, in dem die Quelle für das Testelement angezeigt wird. Wenn Sie „Modell anpassen“ mit einer Nach-Variablen verwendet haben, sehen Sie die Quelle des Testelements auf der rechten Seite der Ausgabe (dies ist die Standardplatzierung, es sei denn, Sie haben die „Hervorhebung“ in „Modell anpassen“ in „Minimaler Bericht“ geändert ist meine Präferenz und diejenige, die das obige Add-In standardmäßig verwendet.

Nachdem Sie den Abschnitt für Ihre Testelementquelle gefunden haben, klicken Sie auf das rote Dreieck neben dem Namen und Sie erhalten mehrere Optionen zum Durchführen paarweiser Tests. Da Sie daran interessiert sind, alle möglichen Kombinationen innerhalb des Elementfaktors zu testen (was eine Menge Tests sein wird), würde ich die Verwendung der Tukey-HSD-Option empfehlen, die Ihre familienbezogene Fehlerrate über alle Tests innerhalb eines bestimmten Zeitraums hinweg steuert Faktor. Der Verbindungsbuchstabenbericht ist eine gute Möglichkeit, die Unterschiede anzuzeigen. Wenn Sie die angepassten p-Werte wünschen, können Sie im Tukey HSD-Bericht auf das rote Dreieck klicken und den Bericht „Geordnete Unterschiede“ auswählen.

4, 5) Diese Tests erfordern, dass Sie Lehrer im selben Modell haben wie die Elemente. Daher würde ich ein vollständiges Modell mit der Lehrerebene als Zwischenfachvariable und dem Element als Innerhalbfachvariable ausführen. Mein Add-in hilft beim Einrichten dieses Modells, aber wenn Sie mit gemischten Modellen vertraut sind, können Sie dies auch direkt über das Dialogfeld „Modell anpassen“ tun. Sobald Sie den Modellbericht haben, erweitern Sie den Abschnitt mit den Effektdetails und suchen Sie die Quelle für die Interaktion. Dort können Sie „Test-Slices“ verwenden, um Kontrast-Slices durchzuführen: einen Test für einen der Faktoren auf einer einzelnen Ebene eines anderen Faktors. Sie erhalten beispielsweise einen Abschnitt mit der Bezeichnung „Item 1“ (oder wie auch immer die Bezeichnung des ersten Items lautet), mit dem geprüft wird, ob es Hinweise darauf gibt, dass Lehrer nur bei Item 1 unterschiedliche Antworten haben. Diese erhalten Sie für alle Artikel. Dies scheinen für Sie die wichtigsten Tests zu sein, im Wesentlichen einfaktorielle ANOVAs für den „Effekt“ der Lehrerstufe auf jeder Itemstufe. Mit Testabschnitten erhalten Sie auch einen Abschnitt mit der Bezeichnung „Lehrer an weiterführenden Schulen“ (oder wie auch immer Sie diese Stufe bezeichnet haben). Dies ist ein Test dafür, ob insgesamt Belege dafür vorliegen, dass Lehrer an weiterführenden Schulen unterschiedliche Bewertungen für diese Elemente abgeben. Diese letztgenannten Abschnitte sind für Sie wahrscheinlich weniger nützlich, insbesondere da Sie die Itemunterschiede in den vorherigen Modellen für jede Lehrerstufe separat betrachtet haben.

Wenn Sie bei diesen Lehrerniveautests für jedes Element möglichst konservativ vorgehen möchten, können Sie die gleiche Reihe von Schritten ausführen, die ich oben zum Filtern Ihrer Daten vorgeschlagen habe, oder eine Nach-Variable verwenden. Das bedeutet, dass Sie 15 verschiedene Modelle einrichten, eines für jedes Element, mit dem einzigen Faktor der Lehrerstufe. Sobald Sie jedes Modell haben, führen Sie den Tukey-HSD-Test durch, der Ihnen die Verbindungsbuchstabenberichte oder auf Wunsch die geordneten Differenzen mit p-Werten liefert. Dies könnte tatsächlich eine bessere Vorgehensweise sein, da Sie keine Angaben zu den Kovarianzen zwischen den Elementen machen müssten, da Sie Ihre Daten so unterteilen, dass sie jeweils nur ein Element umfassen.

Wenn Sie sich dieses Add-in ansehen, habe ich hier zwei Sätze Videos mit mehr Details:

Modul 2:8 – Ein-Faktor-Wiederholungsmessungen

Modul 2:9 – Faktorielle Messwiederholungen

Ich hoffe das hilft!

julianisch

Betreff: Vollfaktorielles ANOVA-Add-In mit wiederholten Messungen

Ich werde dieses Add-In herunterladen und ausprobieren, aber ich hoffe, dass Sie trotzdem bei meiner Frage weiter unten helfen können. Ich habe diese Situation vor etwa 5 Wochen im JMP-Benutzer-Community-Beitrag erwähnt, aber bisher keine Vorschläge gemacht. Wo soll ich es hinstellen?

Mein Datensatz besteht aus den Fragebogenantworten von mehreren hundert Lehrern.

etwa ein Drittel sind Grund-, Mittel- und Sekundarschüler

Sie bewerteten jeweils die Wichtigkeit von 15 Elementen auf einer Skala von 0 bis 3

(Ich kann diese Bewertungen gerne als Daten auf Intervallebene behandeln; oder Ordnungszahlen sind in Ordnung, wenn das funktioniert)

Ich stelle mir dies als eine ANOVA mit wiederholten Messungen (zwischen Variable = Lehrerniveau; wiederholte Variable = 15 Bewertungen) mit Folgetests vor

Aber ich habe wenig Interesse an den Haupteffekten: entweder wiederholte Bewertungen (es macht keinen Sinn, die Bewertungen eines bestimmten Items über drei Lehrerstufen hinweg zu kombinieren) oder über Lehrerstufen hinweg (die Items passen nicht zusammen; jedes ist für sich allein, daher ergibt sich die Gesamtpunktzahl aus kein Interesse)

Stattdessen lauten meine Fragen wie folgt:

1 – Welche der 15 Elemente werden für die Gruppe der Grundschullehrer deutlich besser bewertet als andere Elemente?

2- Das Gleiche gilt für Fragen von Mittelschullehrern

3 – gleiche Frage für Gymnasiallehrer

4-Bewertet eine der drei Lehrergruppen Punkt 1 deutlich anders als die anderen beiden Gruppen?

5 – gleiche Frage für die Punkte 2–15

(Mir ist klar, dass ich Alpha ziemlich dünn aufteilen muss, um mich vor Inflation zu schützen.)

Mein erster Gedanke war ANOVA für wiederholte Messungen mit Folgetests und das Ignorieren der Haupteffekte, um zu den Folgetests zu gelangen.

aber der Sphärizitätstest nach Mauchly war signifikant und deutete scheinbar (?) auf die Notwendigkeit einer MANOVA mit Folgetests hin. Wenn ja, wie führe ich Nachverfolgungs-Mittelwertvergleiche nach einer MANOVA in JMP durch?

Sollte ich alternativ eine andere Analyse in Betracht ziehen, da mich die Haupteffekte nicht interessieren?