Ciao, ho una domanda sull'esempio di Split Plot Design Example, introdotto nella pagina Web JMP.
https://www.jmp.com/support/help/14-2/split-plot-design-example.shtml
In questa spiegazione, è stato chiamato un codice di identificazione degli animali soggetto , con valori nominali 1, 2 e 3 sia per le volpi che per i coyote. Quindi è stato nidificato nelle specie. Poi soggetto [ specie ] è stato selezionato come effetto casuale, quindi sono stati selezionati i methos REML.
Le mie domande
1) Nella tabella seguente,
soggetto [ specie ] ha un componente di varianza 0,7013889. Come posso interpretarlo? Significa che l'errore del 70% proviene da " soggetto [ specie ] '?
Per i test ad effetto fisso, le specie e la stagione sono significative rispettivamente.
2) Se uso un semplice ANOVA a due vie (specie x stagione), in questo caso "soggetto" è stato considerato come "blocco"
In questo caso, l'effetto principale era significativo, mentre la sua interazione non era significativa e anche il blocco (codice di identificazione soggetto-animale) era significativo.
Anche se utilizzo ANOVA o Split Plot Design (o REML), il risultato è lo stesso, perché dobbiamo usare Split Plot Design (o REML)? Per quale scopo?
Potresti dirmi perché?
Grazie molto,
Cordiali saluti,
JK
1. No, non è una proporzione (relativa) ma la varianza effettiva stimata da REML. Prendi la radice quadrata e hai la deviazione standard stimata tra i soggetti.
2. In genere è meglio identificare (e stimare) l'intervallo tra e all'interno dell'errore, quando possibile. L'analisi del diagramma diviso è un esempio di tale modello. Esistono due fonti di variabilità che potrebbero essere campionate a velocità diverse. (Questa questione riguarda la randomizzazione e i livelli di unità sperimentali.) Se si include solo un termine di errore, la stima è un tipo di media che può gonfiare l'errore di tipo I del fattore difficile da modificare e gonfiare l'errore di tipo II del facile cambiare fattore.
Non si tratta di provare modi diversi, ma di capire come i termini e le ipotesi del modello corrispondono al design e al modo in cui i dati sono stati raccolti.
