Hallo, ich habe eine Frage zum Beispiel des Split Plot Design Example, das auf der JMP-Webseite vorgestellt wurde.
https://www.jmp.com/support/help/14-2/split-plot-design-example.shtml
In dieser Erklärung wird ein Tieridentifikationscode genannt Thema , mit den Nennwerten 1, 2 und 3 für Füchse und Kojoten. Dann wurde es in Arten verschachtelt. Dann Thema [ Spezies ] wurde als zufälliger Effekt ausgewählt, und dann wurde REML-Methode ausgewählt.
Meine Fragen
1) In der folgenden Tabelle
Thema [ Spezies ] hat eine Varianzkomponente von 0,7013889. Wie kann ich das interpretieren? Bedeutet das, dass der 70%-Fehler von ' Thema [ Spezies ]' ?
Für den Fixed-Effect-Test sind Art und Jahreszeit jeweils signifikant.
2) Wenn ich eine einfache Zweiweg-ANOVA (Art x Saison) verwende, wurde in diesem Fall "Subjekt" als "Block" betrachtet.
In diesem Fall war der Haupteffekt signifikant, während seine Wechselwirkung nicht signifikant war, und auch der Block (Subjekt-Tier-Identifikationscode) war ebenfalls signifikant.
Obwohl ich ANOVA oder Split Plot Design (oder REML) verwende, ist das Ergebnis dasselbe, warum müssen wir Split Plot Design (oder REML) verwenden? Für welchen Zweck?
Können Sie mir sagen, warum?
Vielen Dank,
Aufrichtig,
JK
1. Nein, es ist kein Anteil (relativ), sondern die tatsächliche Varianz, die von REML geschätzt wird. Ziehen Sie die Quadratwurzel und Sie haben die geschätzte Standardabweichung zwischen den Subjekten.
2. Es ist im Allgemeinen besser, wenn möglich, den Zwischen- und Innerhalb-Fehler zu identifizieren (und zu schätzen). Die Split-Plot-Analyse ist ein Beispiel für ein solches Modell. Sie haben zwei Variabilitätsquellen, die mit unterschiedlichen Raten abgetastet werden können. (Hier geht es um Randomisierung und Ebenen von Versuchseinheiten.) Wenn Sie nur einen Fehlerterm einbeziehen, dann ist die Schätzung eine Art Durchschnitt, der den Typ-I-Fehler des schwer zu ändernden Faktors und den Typ-II-Fehler des Faktors aufblähen kann leicht zu ändernder Faktor.
Es geht nicht darum, verschiedene Wege auszuprobieren, sondern zu verstehen, wie die Modellbegriffe und -annahmen mit dem Design und der Art und Weise, wie die Daten gesammelt wurden, übereinstimmen.
