CIAO,
Sto analizzando i dati di un test sensoriale, in cui i partecipanti dovevano indicare quanto ritenessero accettabile un campione per il consumo. In questi dati, i punteggi di accettabilità che possono dare vanno da 1 a 9. In totale devono essere valutati 8 campioni. Ho 50 diversi consumatori che hanno valutato ciascuno gli 8 campioni. Quindi ho 400 punteggi in totale e voglio tenere conto della variabilità tra i consumatori utilizzando il consumatore come variabile di blocco nella piattaforma Fit Y by X. Ho anche effettuato questa analisi con lo strumento Fit Model, specificando il consumatore come effetto casuale. I risultati di entrambe le analisi mi forniscono lo stesso p-value, ma c'è una cosa che ancora mi lascia perplesso. Nella piattaforma Fit Y by X, viene prodotto un grafico della variabile di risposta. Poiché ho specificato consumer come variabile di blocco, il grafico indica che la variabile Y è centrata per blocco (consumatore). Presumevo che centrare significasse centrare la media attorno alla media del blocco per consumatore, ma ho visto che ora ci sono punteggi di accettabilità superiori a 9, il che è impossibile, considerando che tutti i punteggi sono compresi tra 1 e 9. Guarda la figura allegata per vedere cosa intendo.
La mia domanda è: come funziona questo centraggio del blocco? Come mai ci sono punteggi di accettabilità centrati sui blocchi superiori al punteggio di accettabilità grezzo? Grazie per l'aiuto!
Cordiali saluti,
Per gruppo, intendo il tempo di archiviazione per la tua situazione.
Nel tuo caso sei interessato a vedere se ci sono differenze tra i tempi di conservazione. Hai questa fonte extra di variabilità, consumatore. Se dovessi usare solo Adatta Y per X senza il blocco, l'immagine sarebbe fuorviante a causa della variabilità del consumatore. Avresti difficoltà a vedere l'effetto dei tempi di conservazione a causa della variabilità aggiunta dal consumatore. Quindi che si fa? Rimuoviamo l'effetto del consumatore dalla trama centrando per ogni blocco.
Penso che potrebbe essere più facile vedere cosa sta succedendo con un semplice esempio. Usiamo questi dati con due blocchi e due gruppi (puoi usare rispettivamente il consumatore e il tempo di archiviazione se ti piacciono di più questi nomi):
Si noti che il punto dati più alto si trova sulla riga 4, blocco 1, gruppo B. Ha un valore di 14. Ora usando Adatta Y per X con Gruppo come X e Blocco che entrano nel ruolo di blocco darà questo grafico:
Il valore più alto sembra essere intorno a 11. Che fine hanno fatto i 14? Dal popup rosso scegli Means/Anova/Pooled t. Ora guarda il blocco significa segnalare:
La media per il blocco 1 è 12. La media per il blocco 2 è 6. La media complessiva è 9. Quindi ogni osservazione nel blocco 1 è di 3 unità superiore alla media. Tutto nel blocco 2 è di 3 unità inferiore alla media. Per rimuovere l'effetto blocco, posso aggiungere o sottrarre 3 (a seconda del blocco in cui mi trovo) per rimuovere l'effetto blocco. Questo è il centraggio del blocco.
Ora guarda di nuovo le osservazioni. Per il gruppo B le osservazioni originali erano 12, 14, 6 e 8. Il 12 e il 14 erano nel blocco 1, quindi dobbiamo sottrarre 3 ottenendo 9 e 11. Il 6 e l'8 erano nel blocco 2, quindi aggiungiamo 3. Questo dà 9 e 11. Questi sono i due punti mostrati nel grafico. Se dovessimo aggiungere il jitter al grafico, vedresti che ci sono due osservazioni a 9 e due a 11. E, naturalmente, un calcolo simile viene fatto per il Gruppo A.
La centratura del blocco rimuove solo l'effetto della variabile di blocco in modo da poter vedere più accuratamente le differenze tra i trattamenti (livelli della variabile X) nell'immagine. Spero che aiuti. Includo il file per il mio semplice esempio per comodità.
Supponiamo che la media complessiva per tutti i dati sia 6. Ti capita di avere uno dei gruppi che ha una media bassa, supponiamo che sia 3. Ma hai un bel po' di dati in quel gruppo quindi c'è un valore che è 9.
La centratura dice che gli elementi in quel gruppo devono essere aumentati (poiché la media del gruppo è bassa). Cosa succede al 9? Deve diventare più grande.
