Hallo zusammen,
Mehrere Fragen zu linearen gemischten Modellen.
1) In der Persönlichkeit „Fit Mixed“ gibt es eine Möglichkeit, den Vorhersageausdruck (Y=Bx+Zu+E) zu erhalten. Ich kann ihn von anderen Modellpersönlichkeiten erhalten, kann ihn aber in der Persönlichkeit „Fit Mixed“ nicht finden
2) Ich betrachte die Schwimmleistung von Fischen. Ich habe zwei kontinuierliche feste Effekte und ihre Interaktion passt zu einer kontinuierlichen Reaktion, bei der einzelne und alle ihre Interaktionen als zufällige Effekte ausgewählt wurden (insgesamt 3 feste Effekte: 2 unabhängige und 1 Interaktion und 4 zufällige Effekte). )
2a) Wenn ich die zufälligen Varianzkomponenten interpretiere, ist das Residuum in dieser Tabelle die Varianz, die durch die festen Effekte erklärt werden muss?
2b) Wenn ich signifikante zufällige Varianzkomponenten und signifikante feste Effekte erhalte, sind meine festen Effekte WEGEN der zufälligen Kovarianz oder TROTZ der zufälligen Kovarianz signifikant?
3) Ich arbeite mit einer Beschleunigung, die nichtlinear zu sein scheint, und mein Modell passt besser, wenn es logarithmisch transformiert wird. Ist es gerechtfertigt, nur die Beschleunigung und nicht meine anderen kontinuierlichen Variablen (die normal oder nahezu normal zu sein scheinen) zu transformieren, oder sollte ich sie alle transformieren?
Hier sind ein paar Screenshots
Dank im Voraus
1. Speichern Sie im roten Dreieck die Spalten und speichern Sie die Vorhersageformel.
Der Ausdruck befindet sich in einer neuen Spalte
2. https://www.jmp.com/support/help/en/15.1/#page/jmp/the-fit-mixed-report.shtml#
Allerdings sehe ich im beigefügten Bericht keine Residuentabelle
Marginale Modellinferenz: Erstellt Diagramme basierend auf vorhergesagten Randwerten und Randresiduen. Diese Diagramme zeigen die Variation aufgrund zufälliger Effekte. https://www.jmp.com/support/help/en/15.1/#page/jmp/marginal-model-inference.shtml#ww1282958
Bedingte Modellinferenz: Erstellt Diagramme basierend auf bedingt vorhergesagten Werten und bedingten Residuen. Diese Diagramme zeigen die verbleibende Variation, sobald zufällige Effekte berücksichtigt werden.
https://www.jmp.com/support/help/en/15.1/#page/jmp/conditional-model-inference.shtml#ww1171576
3. Ich kenne mich mit der Fischbeschleunigung nicht aus. Entweder ein Protokoll oder eine Art Box-Cox-Transformation scheint sinnvoll zu sein.
