Hola, tengo una pregunta sobre el ejemplo de ejemplo de diseño de parcela dividida, presentado en la página web de JMP.
https://www.jmp.com/support/help/14-2/split-plot-design-example.shtml
En esta explicación, un código de identificación animal llamado tema , con valores nominales 1, 2 y 3 para zorros y coyotes. Luego fue anidado en especies. Luego tema [ especies ] se seleccionó como efecto aleatorio, y luego se seleccionó el método REML.
Mis preguntas
1) En la tabla a continuación,
tema [ especies ] tiene un componente de varianza de 0.7013889. ¿Cómo puedo interpretar esto? ¿Significa que el 70% de error proviene de ' tema [ especies ] '?
Para la prueba de efecto fijo, las especies y la estación son significativas, respectivamente.
2) Si uso ANOVA bidireccional simple (especie x temporada), en este caso, "sujeto" se consideró como "bloque"
En este caso, el efecto principal fue significativo, mientras que su interacción no fue significativa, y también el bloqueo (código de identificación sujeto-animal) también fue significativo.
Aunque utilizo ANOVA o Split Plot Design (o REML), el resultado es el mismo, ¿por qué necesitamos usar Split Plot Design (o REML)? ¿Con qué propósito?
¿Podrías decirme por qué?
Muchas gracias,
Sinceramente,
JK
1) No, no es una proporción (relativa) sino la varianza real estimada por REML. Tome la raíz cuadrada y obtendrá la desviación estándar estimada entre los sujetos.
2) En general, es mejor identificar (y estimar) el error entre y dentro del error cuando sea posible. El análisis de parcela dividida es un ejemplo de dicho modelo. Tiene dos fuentes de variabilidad que se pueden muestrear a diferentes velocidades. (Este asunto trata sobre la aleatorización y los niveles de las unidades experimentales.) Si incluye solo un término de error, entonces la estimación es algún tipo de promedio que puede inflar el error tipo I del factor difícil de cambiar e inflar el error tipo II del Factor fácil de cambiar.
No se trata de intentar diferentes formas, sino de comprender cómo los términos y supuestos del modelo coinciden con el diseño y la forma en que se recopilaron los datos.
