Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Hallo, ich bin neu bei JMP und bin mir nicht sicher, wie ich meine Daten modellieren soll. Daher wäre ich für Vorschläge zu den Schritten, die ich unternehmen sollte, sehr dankbar!! Ich entschuldige mich im Voraus für meine sehr begrenzten Statistikkenntnisse.
Ich habe einen Datensatz mit einer kategorialen Variablen (Spender) und zwei für jeden Spender eindeutigen, kontinuierlichen Parametern (Alter und BMI). Ich würde gerne sehen, wie unterschiedliche Antwortvariablen (auch kontinuierlich – z. B. Zellwachstum usw.) durch das Alter und den BMI eines Spenders beeinflusst werden und ob es bei der Bestimmung der Antworten eine Wechselwirkung zwischen Alter und BMI gibt. Wie würden Sie dabei vorgehen? Dazu habe ich das Fit-Modell verwendet, zunächst mit Spender, Alter und BMI als separate Eingaben. Es schien, als ob die Ergebnisse nur die Unterschiede zwischen den Spendern erklärten und nicht die Auswirkungen von Alter und BMI verdeutlichten. Als ich ein Fit-Modell nur mit Alter und BMI (ohne Spender als Faktor) verwendete, zeigten die Ergebnisse Regressionen mit den Auswirkungen sowohl des Alters als auch des BMI. Es scheint also zwei Möglichkeiten zu geben, dies zu modellieren; Eines, in dem ich für jede Antwort angeben kann, welche Spender sich deutlich voneinander unterscheiden, und eines, in dem ich die Auswirkungen von Alter und BMI auf jede Antwort angeben kann. Ich bin mir nicht sicher, ob ich im zweiten Modell die Kreuzschaltfläche verwenden muss, um die Interaktionseffekte von Alter und BMI zu beobachten. Ich weiß auch nicht, wie ich alle drei unabhängigen Variablen gleichzeitig modellieren soll. Muss ich Alter und BMI innerhalb des Spenders verschachteln? Auf der Support-Seite für die Verschachtelungsoption heißt es, dass verschachtelte Begriffe kategorisch sein müssen.
Vielen Dank, wir freuen uns über jedes Feedback!!
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Angie,
Entschuldigung, ich bin mir nicht sicher, ob ich helfen kann, ohne die Situation zu verstehen. Ich dachte, Sie hätten gefälschte Daten gesendet, aber die Situation war echt... Entschuldigung. Ich habe noch einige weitere Punkte zu Ihren Antworten (wenn Sie mir Nachsicht geben).
1. Mit „Ihr Alpha beträgt 0,05“ meinen Sie das Alpha-Risiko? Dies wird für die statistische Signifikanz verwendet. Ich frage nach der praktischen Bedeutung. Dies ist IMMER wichtiger als die Statistik, da die statistische Signifikanz von den Daten abhängt, davon, wie Sie sie erfasst haben und welche Vergleiche Sie anstellen.
2. Ich möchte nicht aggressiv sein, aber die Durchführung des Tests in einem Labor macht ihn nicht „gut“. Ich kenne viele Beispiele von Labormessungen, die nicht das nachweisen konnten, was sie nachweisen sollten. Verfügen Sie über Daten, die die Präzision der Tests belegen? Wenn ja, fahren Sie auf jeden Fall fort.
3. Der Schauplatz für das Experiment ist das Labor? Über welchen Inferenzraum hoffen Sie, Schlussfolgerungen zu ziehen? Werden Rückschlüsse auf „Bedingungen“ außerhalb des Labors gezogen? Ist dies der Fall, gehen Sie vorsichtig vor. Sie möchten sicherstellen, dass die Ergebnisse auf den Problembereich anwendbar sind. Auch hier ist mein Rat begrenzt, da er von der tatsächlichen Situation abhängt.
OK, Sie haben 3 „Datenpunkte“ für jede Behandlungskombination. Die Frage ist, wie wurden sie bekommen? (Ich bin vorsichtig, wie ich diese drei Maßnahmen nennen soll, da verschiedene Leute unterschiedliche Sprachen verwenden, um sie zu beschreiben). Einige Hinweise, ob die „Datenpunkte“ erfasst werden ohne Da sich die Behandlungskombinationen ändern, werden sie normalerweise nicht als unabhängige Ereignisse betrachtet und erhöhen daher nicht die Freiheitsgrade in der Studie (ich nenne sie Wiederholungen). Der Grund für die Variation kann nicht den Behandlungen (Faktoren) zugeordnet werden, da diese „konstant“ waren, als die drei Datenpunkte erfasst wurden. Der Grund für die Variation dieser Werte liegt also in Variablen, die sich in einem kurzen Zeitraum ändern, kurzzeitigem Rauschen (z. B. Messfehler). In diesem Fall können Sie sich die Variation innerhalb der Behandlung ansehen (funktioniert grafisch) und dann die richtigen zusammenfassenden Statistiken (z. B. Mittelwert, Varianz, Bereich usw.) bestimmen, die zu den Y-Werten für die Modellierung werden.
Wenn es sich bei den drei Datenpunkten tatsächlich um unabhängige Ereignisse handelt, können sie als Replikate betrachtet werden, die die verfügbaren DFs erhöhen. Häufig wird empfohlen, randomisierte Wiederholungen durchzuführen, da dies hoffentlich eine unvoreingenommene Schätzung des experimentellen Fehlers liefert, die in statistischen Tests verwendet werden kann. Es vergrößert auch den Inferenzraum und bietet möglicherweise einige „nicht zugewiesene“ DFs zum Hinzufügen von Kovariaten. Meiner Meinung nach, t Es gibt weitere effizientere und effektivere Möglichkeiten, den Inferenzraum zu vergrößern, den Effekt von Rauschen zuzuweisen, das Rauschen aufzuteilen und dadurch die Präzision des Designs zu erhöhen (Faktoreffekte erkennen), robuste Designs zu erstellen usw. (RCBD, BIB, Split-Plots). , usw.)
4. Ich bin mir nicht sicher, was Sie hier sagen, aber die Auswahl der Antwortvariablen ist entscheidend. Je kontinuierlicher die Antwortvariable ist, desto effizienter und effektiver können Sie Faktorbeziehungen verstehen. Ich empfehle immer, so viel wie möglich zu messen, das Experiment zu filmen, Geräusche aufzuzeichnen usw. Man weiß nie, wann eine neue Antwortvariable zu einer Entdeckung führt. Wenn es sich bei dem Problem um eine Variation handelt, sollten Sie natürlich über eine Antwortvariable verfügen, die die Variation quantifiziert (z. B. Standardabweichung, Varianz, Bereich usw.).
5. Es gibt zahlreiche Ratschläge zur Auswahl des richtigen Werkzeugs und zur Anzahl der benötigten Proben. Mein Rat ist, mit einer Liste von Fragen zu beginnen (z. B. „Welche Fragen möchten Sie beantworten?“). Welche Hypothesen zu abhängigen und unabhängigen Variablen haben Sie? Wie werden die Phänomene gemessen? usw.). Sobald Sie die Situation verstanden haben, welche Arten von Daten verfügbar sind, welche Auswirkungen Sie abschätzen möchten, welche Ressourcen verfügbar sind und wie dringend die Dringlichkeit ist usw., können Sie die Studie entwerfen (Stichprobenplan, Experiment usw.). Ich werde es zu stark vereinfachen ... Freiheitsgrade sind die Menge an Informationen, die Sie im Datensatz haben. Mit dem Datensatz, den Sie mir geschickt haben (wo es eine Zeitreihe gab), hatten Sie 15 Datenpunkte, also insgesamt 14 Freiheitsgrade. Jeder Faktor hat mehrere Freiheitsgrade (z. B. Spender hat 4, Schwanzfeder 4, Schwanzfederanzahl 4) und dann gibt es Interaktionen (multiplizieren Sie die Faktor-DFs). Wie Sie sich vorstellen können, summiert sich die Anzahl der Freiheitsgrade für die Faktoren allein auf 12 Freiheitsgrade, sodass nicht genügend DFs vorhanden sind, um die Wechselwirkungen abzuschätzen. Als Regel gilt, dass Sie genügend DFs benötigen, um zu schätzen oder zu vergleichen, was Sie schätzen oder vergleichen möchten. (Leider hängt die Anzahl der benötigten DFs vollständig von der Situation ab.) Ich schließe mit einer Paraphrase von einem meiner Lieblings-DOE-Autoren (Cuthbert Daniels):
Die häufigsten Mängel bei der DOE sind:
- Übersättigung: Zu viele Effekte für die Anzahl der Behandlungen. (Das ist Ihr Problem)
- Überkonservativität: zu viele Beobachtungen für die gewünschten Schätzungen
- Fehler beim Untersuchen der Daten auf schlechte Werte
- Es wurde nicht das gesamte Aliasing berücksichtigt
- Ungenauigkeit aufgrund eines Missverständnisses der Fehlervarianz.
Das ist alles, was ich jetzt habe. Danke, dass du mich verwöhnt hast. Lassen Sie mich wissen, ob ich Ihnen weiterhelfen kann.
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Hallo @statman ,
1. Mein Alpha-Wert beträgt 0,05
2. Ich habe großes Vertrauen in die Messsysteme (alle im Labor qualifizierten Tests)
3. Bei diesem fiktiven Beispiel war ich mir nicht sicher, wie ich Replikate für jeden Spender erhalten sollte, also sagte ich nur 3 Jahre, aber das eigentliche Experiment wurde in einem Labor durchgeführt, alle Messungen wurden zur gleichen Zeit durchgeführt und die Bedingungen waren für jeden Spender gleich Es gibt keine zeitlichen Schwankungen
4. Vielleicht können wir das so ändern, dass es die Anzahl der Eier bedeutet? Das eigentliche Experiment hat nichts mit Vögeln oder Eiern zu tun – ich habe nur versucht, eine andere abhängige Variable zu finden.
5. Das ist scheiße. Wir hatten nur Materialien für 15 verschiedene Proben. Ist das eine statistische Regel, dass Sie mindestens 3 df haben sollten?
6. Die Zeit spielte nicht wirklich eine Rolle (wie in Nr. 3 – tun wir einfach so, als wären sie alle echte Nachbildungen)
7. Klingt gut.
Danke schön!!
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Angie,
Danke für die Erklärung. Hier sind einige Kommentare/Fragen:
1. Welche praktische Bedeutung hat jedes Y? Wie viel Veränderung in jedem Y möchten/müssen Sie erkennen (oder ist von wissenschaftlichem Interesse)?
2. Wie sicher sind Sie mit den Messsystemen?
3. Sind Länge/Anzahl der Schwanzfedern von Jahr zu Jahr gleich?
4. Sie haben das Y der mittleren Eigröße. Wie groß ist die Variation in der Eigröße? Ist das ein Gewicht oder eine Abmessung?
5. Sie haben bewusst Spender ausgewählt, die sich anhand der drei von Ihnen aufgeführten Merkmale (Federlänge, Federanzahl und Geburtsgewicht) unterscheiden. Diese Eigenschaften werden mit denen des Spenders verwechselt. Sie verfügen nicht über genügend Daten, um die drei Merkmale innerhalb des Spenders zu modellieren. (2 Freiheitsgrade aus den 3 Jahren) und Sie würden mindestens 3 DFs benötigen, um nur die Haupteffekte der 3 Merkmale zu modellieren.
6. Sie können die Daten grafisch betrachten. Variabilitätsdiagramme über die Zeit wären hilfreich.
7. Sie könnten sich die Wirkung ansehen, die der Spender auf die Y-Werte hat, aber nicht genügend Daten, um sie innerhalb der Spenderfaktoren zu modellieren.
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Hallo @statman , vielen Dank für all die Infos! Im Anhang finden Sie die Tabelle mit gefälschten Daten.
Das Szenario: Es gibt 5 „Spender“, allesamt Vögel. Die Spender werden drei Jahre lang einmal im Jahr beobachtet, um für jeden der fünf Spender dreifache Messungen zu erhalten. Die Länge der Schwanzfedern, die Anzahl der Schwanzfedern und das Geburtsgewicht sind bei jedem Spender einzigartig. Es wird angenommen, dass die Länge der Schwanzfedern und die Anzahl der Schwanzfedern Auswirkungen auf verschiedene Parameter für den Paarungserfolg haben. Daher werden die fünf Vögel auf der Grundlage von Kombinationen ausgewählt: kurze Schwanzfedern und hohe Federanzahl, kurze Schwanzfedern und niedrige Federanzahl, mittellange Federn und mittellange Federn Anzahl der Federn, lange Schwanzfedern und geringe Anzahl an Federn, lange Schwänze und hohe Federanzahl. Wir möchten sehen, ob die Anzahl der Nachkommen, die Anzahl der Partner und die Eigröße je nach Spender variieren und wie sich jede Variable je nach Schwanzfederlänge, Federanzahl und Geburtsgewicht unterscheidet. Auch wenn es eine Interaktion zwischen den Eingaben gibt. Hoffentlich ist dies eine angemessene Hypothese ...
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Angie,
Ich habe Ihre „gefälschte“ Datentabelle im Anhang nicht gesehen. Es gibt viel zu besprechen. Einige Dinge, die Sie beachten sollten:
Welche Fragen Sie beantworten können, welche Schlussfolgerungen Sie ziehen können, welche Tools Sie für die Analyse verwenden sollten und Ihre Fähigkeit, die Ergebnisse zu extrapolieren, hängt vollständig davon ab, wie Sie an Ihre Daten gekommen sind. Ich weiß das aus Ihren Beiträgen nicht (das ist einer der Gründe, warum ich die Daten sehen wollte ... Sie können die Daten so kodieren, wie Sie möchten).
Da Sie mehrere Spender haben (ich weiß nicht, wie viele?), könnten Sie das Anpassungsmodell für Alter und BMI NACH Spender verwenden. Dies wird Sie zumindest dazu bringen, darüber nachzudenken, ob Ihre Ergebnisse auf eine breitere Schlussfolgerung (mehr Spender) übertragen werden können. Wie gut wiederholen sich die Ergebnisse der Analyse bei allen Spendern?
Ich bin nicht sicher, wie Sie Begriffe aus dem Modell entfernt haben. Dabei können einige Statistiken hilfreich sein (allgemeine Hinweise).
- Das Delta zwischen R-Quadrat und R-Quadrat wurde angepasst. Wenn dieses groß ist, haben Sie das Modell überspezifiziert.
- RMSE, je kleiner das bessere Modell
- Rückstände (wie Sie beobachtet haben). Wir „mögen“ also NID(0, Variance), das macht Sinn ... wenn sie also nicht normalverteilt sind, sollten Sie sich fragen, warum. Stellen Sie sie in Zeitreihen dar. Stellen Sie Hypothesen auf, warum dies nicht der Fall ist.
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Noch eine Anmerkung: Ich habe auch Schwierigkeiten, die Eignung eines Modells zu bestimmen. Sollte das Modell diskontiert werden, wenn die Residuen für eine Regression scheinbar keine Normalverteilung aufweisen? Danke.
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Hallo @statman .Vielen Dank für die Aufklärung über die Natur der Verschachtelung und Ihre Gedanken zu meinem Problem. Ich kann die Daten nicht weitergeben, da es sich um geschützte Informationen handelt. Ich kann jedoch einen vollständig fabrizierten Datensatz weitergeben, der überhaupt keinen Zusammenhang hat, aber das gleiche Problem vermittelt, mit dem ich mich auseinandersetze. Mit der Verwechslung von Variablen haben Sie auf jeden Fall Recht – es ist unmöglich, Alter und BMI vom Spender zu trennen, und ich denke, das ist der Grund, warum die Ausgabe seltsam war, als ich alle drei zum Modell hinzugefügt habe. Ich habe das Anpassungsmodell erneut nur mit Alter und BMI (ausgeschlossener Spender) sowie dem Alter mit dem BMI gekreuzt und das Modell wie von Ihnen vorgeschlagen mit allen anderen Eingaben gesättigt, die eine Antwort hervorrufen könnten. Ich habe alle nicht signifikanten Werte entfernt und konnte die Wechselwirkung zwischen Alter und BMI beobachten, um deren Auswirkungen auf jede Reaktion zu bestimmen. Dies scheint angemessen, um die Beziehung zwischen Alter und BMI für jede Antwort zu beobachten, aber jetzt bin ich mir nicht sicher, ob ich den Spender im Vergleich zu jeder Antwort in einem separaten Modell ausführen muss, um zu bestimmen, welche Spender sich für jede Antwort signifikant voneinander unterscheiden. Das erste Modell mit allen drei Eingaben lieferte mir die Ergebnisse für eine ANOVA, bietet mir aber nicht die Möglichkeit, einen Tukey-Test durchzuführen, während dies bei der Ausführung von Donor als einziger Eingabe der Fall ist. Halten Sie es für notwendig, zwei separate Analysen durchzuführen, um die Auswirkungen aller drei Eingaben zu untersuchen? Bitte lassen Sie mich wissen, wenn Sie einen albernen gefälschten Datensatz wünschen. Vielen Dank für all Ihre Hilfe!
Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Ich habe etwas genauer über Ihre Situation nachgedacht ... mir scheint, dass Alter und BMI mit dem Spender verwechselt werden, sodass Sie nicht alle Begriffe im Modell verwenden können.Betreff: Kontinuierliche Variablen, die in einer kategorialen Variablen verschachtelt sind?Hallo, willkommen in der Community. Können Sie Ihre JMP-Datentabelle anhängen? Sie haben eine interessante Situation ... Sie schlagen zwar vor, dass das Alter mit dem Spender verknüpft ist, ich glaube jedoch nicht, dass dies die einzige Interpretation ist. Wenn ich an Verschachtelung denke, denke ich an Hierarchie. Eine in einer anderen verschachtelte Variable ist von dieser Variablen abhängig. Beispielsweise kann es sein, dass es eine Variationskomponente gibt, die von Charge zu Charge variiert, und eine andere, die innerhalb der Chargenvariation liegt. Die Komponente innerhalb der Charge ist von der Charge abhängig (Sie können nicht mehrere Chargen von einer Komponente innerhalb der Charge erhalten). Ich glaube nicht, dass das Alter vom Spender abhängt ... Ein weiterer Punkt, über den Sie nachdenken müssen, ist die Multikollinearität. BMI und Alter könnten kollinear sein. In jedem Fall müssen Sie bei der Entwicklung von Modellen zur Erklärung der Variation im Zellwachstum erkennen, dass die Analyse davon abhängt, welche Begriffe im Modell enthalten sind. Ändern Sie die Begriffe im Modell, und die Analyse ändert sich wahrscheinlich. Um diesem Dilemma entgegenzuwirken, schlage ich vor, dass Sie mit Fachwissen beginnen, Hypothesen (wissenschaftliche, nicht statistische) darüber entwickeln, warum die Begriffe im Modell das Zellwachstum beeinflussen würden, und dann das Modell darauf aufbauend aufbauen. Wenn Sie keine Hypothesen haben, sättigen Sie das Modell und entfernen Sie Terme, um ein geeignetes Modell zu erhalten.
