Bonjour, j'ai une question sur l'exemple de Split Plot Design Example, présenté dans la page Web JMP.
https://www.jmp.com/support/help/14-2/split-plot-design-example.shtml
Dans cette explication, un code d'identification d'animal appelé sujet , avec des valeurs nominales de 1, 2 et 3 pour les renards et les coyotes. Ensuite, il a été niché dans les espèces. Alors sujet [ espèces ] a été sélectionné comme effet aléatoire, puis la méthode REML a été sélectionnée.
Mes questions
1) Dans le tableau ci-dessous,
sujet [ espèces ] a une composante de variance de 0,7013889. Comment puis-je interpréter cela ? Cela signifie-t-il que l'erreur de 70 % provient de ' sujet [ espèces ]' ?
Pour le test à effets fixes, l'espèce et la saison sont respectivement significatives.
2) Si j'utilise une ANOVA simple à deux voies (espèce x saison), dans ce cas "sujet" était considéré comme "bloc"
Dans ce cas, l'effet principal était significatif, tandis que son interaction n'était pas significative, et le bloc (code d'identification sujet-animal) était également significatif.
Même si j'utilise ANOVA ou Split Plot Design (ou REML), le résultat est le même, pourquoi avons-nous besoin d'utiliser Split Plot Design (ou REML) ? Dans quel but?
Peux-tu me dire pourquoi?
Merci beaucoup,
Sincèrement,
JK
1. Non, ce n'est pas une proportion (relative) mais la variance réelle estimée par REML. Prenez la racine carrée et vous avez l'écart type estimé entre les sujets.
2. Il est généralement préférable d'identifier (et d'estimer) l'erreur entre et dans la mesure du possible. L'analyse en parcelles divisées est un exemple d'un tel modèle. Vous avez deux sources de variabilité qui peuvent être échantillonnées à des taux différents. (Cette question concerne la randomisation et les niveaux d'unités expérimentales.) Si vous n'incluez qu'un seul terme d'erreur, l'estimation est une sorte de moyenne qui peut gonfler l'erreur de type I du facteur difficile à modifier et gonfler l'erreur de type II du facteur facile à changer.
Il ne s'agit pas d'essayer différentes manières, mais de comprendre comment les termes et les hypothèses du modèle correspondent à la conception et à la manière dont les données ont été collectées.
