Multiple Regression im Split-Plot-DesignHallo an alle:
Ich habe vor kurzem angefangen, JMP zu lernen und es ist großartig! Ich habe jedoch Probleme mit der Analyse eines meiner Datensätze. Es wurde als Split-Plot-Design angelegt.Kann mir jemand einen Einblick geben, ob ich auf dem richtigen Weg bin?
Ich habe 4 Düngebehandlungen (Charakternominal) als meine Hauptparzelle, jede Düngebehandlung ist in 3 Raten aufgeteilt – niedrig, mittel und hoch (Unterparzellen) und jede Behandlung wurde viermal wiederholt (Blöcke). Daher habe ich insgesamt 4 Behandlungen x 3 Raten x 4 Wiederholungen = 48 Parzellen. Außerdem habe ich Daten aus zwei Jahren – 2018 und 2019. Ich bewerte die Auswirkungen von Düngemittelanwendungen auf den Pflanzenertrag
Ich betrachte meine Düngerbehandlungen, -raten und -jahre als feste Effekte, während ich Blöcke als meinen zufälligen Effekt behandle.Ich bin mir nicht sicher, ob ich es richtig mache oder nicht. Jede Hilfe wird geschätzt!
Ich behandelte Düngebehandlungen, Jahr und Block als - Charakter; nominell. Als Charakter bewerten; Ordnungszahl und Ertrag (numerisch; kontinuierlich).
Ich füge meiner Nachricht auch einen Screenshot bei. Auch hier wird jede Hilfe geschätzt!
Danke schön!
Betreff: Multiple Regression im Split-Plot-DesignDanke für deine Hilfe, Markus! Ich schätze es sehr. Ich werde so weitermachen, wie Sie es vorgeschlagen haben!
Betreff: Multiple Regression im Split-Plot-DesignIch denke, dass die von mir gezeigte (und als Modelltabellenskript gespeicherte) Analyse der beste Weg nach vorne ist. Das Modell erfasst die festen und zufälligen Effekte basierend auf den Faktorstufen und der Randomisierung. Ich wollte Sie nur wissen lassen, dass die auf Null gesetzte Schätzung der gesamten Plotvarianz kein Fehler oder Artefakt ist. Die Datenlage reicht einfach nicht aus. Das Ausführen von fünf Reihen (in der Zukunft) würde diesen Mangel für Sie lindern.
Betreff: Multiple Regression im Split-Plot-DesignDanke, Markus. Ich kann sehen, dass die Handlungseffekte gegen Null gehen. Welche Optionen habe ich, basierend auf diesem Ergebnis, um mit der Analyse fortzufahren?
Amit
Betreff: Multiple Regression im Split-Plot-DesignLeider unterstützt dieses Design nicht die Schätzung der Varianz zwischen Feldzeilen. Die Änderung des gesamten Diagramms wird mit anderen festen Effekten verwechselt. Ich glaube, dass dieses Modell die potenziellen Effekte und die Randomisierung in Ihrem Experiment realistisch erfasst:
Ich habe die Reaktion mit einer einzelnen Standard-Normalpopulation (keine Effekte) simuliert, um das Problem mit der Analyse zu demonstrieren:
Sie können sehen, dass die gesamten Handlungseffekte aufgrund der Verwirrung auf Null gesetzt werden. Sie benötigen mindestens eine weitere ganze Parzelle (Feldreihe), damit es funktioniert.
Betreff: Multiple Regression im Split-Plot-DesignHey Markus!
Vielen Dank für deine Hilfe! Ich schätze es wirklich.
Mark, die gesamte Handlungsvarianz ist groß. Ich kann das von Ihnen erstellte Design verstehen, aber leider habe ich das DOE-Teil in JMP noch nie verwendet, daher bin ich mir nicht sicher, wie ich damit meine Analyse ausführen soll. Gibt es eine Videoquelle, die ich mir ansehen kann?
Ich habe dieses Experiment zwei Jahre lang durchgeführt und möchte schließlich sehen, ob es einen Jahreseffekt gibt oder nicht. Zusätzlich habe ich unter jeder Teilparzelle drei Pflanzen geerntet. Soll ich einfach eine Spalte neben dem Subplot-Abschnitt hinzufügen?
Nochmals vielen Dank für Ihre Hilfe.
Betreff: Multiple Regression im Split-Plot-DesignDiese Beschreibung hilft wirklich, das Design und die Durchführung des Experiments zu verdeutlichen. Ich musste diese Schritte verwenden, um das von Ihnen beschriebene Design zu erstellen:
- Definieren Sie Düngemittel als einen schwer zu ändernden kategorialen Faktor mit vier Ebenen.
- Definieren Sie Rate als einfach zu ändernden kategorialen Faktor mit drei Ebenen.
- Definieren Sie Field Row als einen sehr schwer zu ändernden kategorialen Faktor mit vier Ebenen. Durch die Definition von Field Row als Sperrfaktor mit 12 Läufen wird die Reihenfolge, die Sie in jeder Zeile beschrieben haben, nicht beibehalten.
- Ich habe dem Modell eine Zwei-Faktor-Wechselwirkung zwischen Dünger und Rate hinzugefügt. Es ist wahrscheinlich, dass die Auswirkung einer Änderung der Rate nicht für alle Düngemittel gleich ist.
- Ich habe 4 ganze Parzellen (4 Reihen im Feld) angefordert. Dies reicht jedoch nicht aus, um die gesamte Plotvarianz abzuschätzen. Erwarten Sie, dass diese Variationsquelle groß ist?
- Ich habe 16 Unterparzellen angefordert, 4 pro Reihe. Das ist für Dünger.
- Ich habe 48 Läufe angefordert.
Dieses Design liefert eine hohe Trennschärfe (0,89 bis 1), wenn die wichtigen Effekte mindestens das Vierfache der Antwortstandardabweichung betragen.
Ich habe das Design als Datentabelle für Ihre Überprüfung gespeichert. Leider kann ich die Reihenfolge in Ihrem Design nicht abgleichen, aber Sie sollten in der Lage sein, die Zeilen selbst zu identifizieren. Das Modellskript führt die korrekte Analyse durch, aber es muss die Varianz des gesamten Plots auf Null setzen (nicht genügend ganze Plots, um diesen Effekt abzuschätzen). Das DOE-Dialogskript erstellt die benutzerdefinierte Designplattform neu, damit Sie sehen können, was ich getan habe.
Lassen Sie mich wissen, wenn Sie weitere Fragen haben.
Betreff: Multiple Regression im Split-Plot-DesignHallo Mark,
Vielen Dank für einen Blick auf meine Karte. Ich werde versuchen, mein Design hier zu erklären. Blöcke sind verschiedene Reihen innerhalb eines Feldes, also habe ich vier Reihen in meinem Experiment. Ich betrachtete ein Düngemittel als mein ganzes Grundstück. Und meine Rate (hoch, mittel und niedrig) wurde in Düngermaterial verschüttet.
Amit
Betreff: Multiple Regression im Split-Plot-DesignAllein von der Karte her scheint dieses Experiment ein ausgewogenes komplettes Blockdesign zu sein. Ich sehe die Split-Plot-Struktur oder das Vorhandensein von ganzen und geteilten Plots nicht. Es scheint ein vollständig randomisiertes Experiment zu sein, obwohl Sie es möglicherweise nicht so durchgeführt haben. Ich kann es einfach nicht sagen.
Was ist die Definition eines Blocks in Ihrem Experiment? Jeder Block ist beispielsweise eine Vegetationsperiode und Sie haben alle Läufe für vier Jahreszeiten repliziert? Vielleicht ist ein Block ein Feld und Sie haben das gesamte Design in vier Feldern repliziert?
Betreff: Multiple Regression im Split-Plot-DesignHey Markus! Vielen Dank für deine Hilfe. Ich schätze es sehr.
Ich fürchte, ich werde mein Design nicht eloquent mit der richtigen Terminologie erklären können. Daher füge ich dieser Nachricht meine Designkarte bei. Ich hoffe, es hilft Ihnen beim Verständnis. Bitte beachten Sie, dass ich die Diagramme farblich gekennzeichnet habe. Die dichtere Farbe steht für eine hohe Rate und die hellere Farbe für eine niedrige Rate, und ich habe 4 Düngemittel, die als orange, gelb, grün und rot dargestellt werden.
Nochmals vielen Dank, dass Sie mir geholfen haben. Ich warte sehnsüchtig darauf, von Ihnen zu hören.
Amit Bhasin
Betreff: Multiple Regression im Split-Plot-DesignSie verwenden einige Begriffe auf eine Weise, die Ihr Design und Ihre Analyse unklar macht.
Ein Split-Plot-Design beinhaltet schwer zu ändernde Faktoren. Diese Faktoren werden seltener randomisiert als leicht zu ändernde Faktoren. Randomisierung bedeutet, dass sowohl die zufällige Reihenfolge der Behandlungen (Dünger, Menge) als auch die Werte für jeden Lauf zurückgesetzt werden. Was ist Ihr schwer zu ändernder Faktor?
Ich werde den Begriff „Dünger“ für den ersten Faktor verwenden. Wir verwenden den Begriff „Behandlung“, um die Kombination aller Faktorstufen in einem bestimmten Durchlauf zu bezeichnen. Beispielsweise könnte eine Behandlung Dünger = A und Rate = niedrig sein.
Wir verwenden den Begriff „Block“, um Gruppen von Läufen zu bezeichnen, die entweder einen festen oder einen zufälligen Effekt eines externen Faktors darstellen. Beispielsweise könnte es sich um Tag, Stapel usw. handeln. Wie wurden Ihre Läufe blockiert?
Wir verwenden den Begriff "Replikation", um zu bedeuten, dass eine bestimmte Behandlung mehr als einmal im Design verwendet wurde. Diese Funktion wird verwendet, um den Fehler auf eine vom Modell unabhängige Weise zu schätzen. Wie haben Sie Läufe repliziert?
Die Analyse stimmt weitgehend mit dem Experiment überein, daher ist es nicht möglich zu sagen, ob Ihr Modell angemessen ist, bis wir mehr über die Faktoren, das Design und die Durchführung des Experiments wissen.
