ANOVA与GLM进行生态野外实验我正在分析来自生态野外实验的数据，旨在测试除草剂（帽贝）和水分的添加对潮间带岩石海藻覆盖度变化的影响。 实验设计是随机区组，两因素全因素设计。 我随附了一份文档，其中详细介绍了实验设计，并列出了与社区讨论的三个问题有关的脚本和模型输出：
- 哪种建模方法（标准最小二乘方差分析或GLM）更适合用于生态田间实验的建模结果？ 请参阅背景。
- 我用来运行每种类型的模型的脚本是否正确构建？ 请参阅脚本。
- 鉴于GLM（正态，恒等）和ANOVA方法都假定正态分布，为什么GLM产生的p值始终小于ANOVA？ 请参阅模型输出。
美国能源部其他脚本编写回复：用于生态现场实验的ANOVA与GLMGLM是普通最小二乘回归的概括。 如果您的情况满足普通回归的假设，则它们在本质上应该等效。 否则，请使用GLM。
如果获得不同的p值，则模型规格会有所不同。
回复：用于生态现场实验的ANOVA与GLM我的想法：
1.没有对吧y分析数据。 任何分析方法都有其优点/缺点。 为了简化起见，ANOVA基本分析了效果的大小，而GLM同时分析了效果的大小和方向。
2.我没有评估您的脚本，因为我没有数据集。
3.我不确定您的意思是“鉴于GLM（正态，同一性）和ANOVA方法均假定正态分布”。 假设残差分布，但不假设实际数据集。 方差分析对于非正态分布相当强大。 首先，不要爱上p值统计信息。 这只是一个估计。 这是均方比较的结果。 处理的均方根与均方误差（两者均为估计值）。 如果更改比较或估计，则p值将更改。
自从你可以尝试一些将图块视为固定效果...用图块，L，M，L * M，图块* L，图块* M，图块* L * M饱和模型。 使用正态图和帕累托图来寻找明显的影响。 他消除了均方误差偏差。
回复：用于生态现场实验的ANOVA与GLM要添加到@markbailey和@statman的评论/建议您在建模之前是否以有意义的方式绘制了数据？ 由于您进行了实验设计，因此我建议您创建最小的图集，因为因子图和块图与响应图，响应的简单分布以及响应与实验执行顺序。 着眼于回答以下问题，这些问题最终用于建立过程理解并帮助确保我们获得了用于建模的干净数据：
1.因子/区划图是否暗示某些东西会面对已知的生物/物理现象？ 回顾过去，我建议工程师们看看这些图。 如果他们在道德上等同于“情节表明水流冲上山了，那我们就有问题了”。
2.是否有任何反应异常值表明未预期的潜伏变量可能已影响实验的进行？
3.响应的实验执行顺序图是否暗示趋势或可疑模式，表明实验行为中可能再次存在潜伏变量？
回复：用于生态现场实验的ANOVA与GLM马克，谢谢您的答复。 不幸的是，无法选择其他错误/链接选项，因为数据是变化值（非整数值，包括许多小于零的观察值）。
我要粘贴我们为ANOVA和GLM构建的脚本。 您能否从这些脚本中告诉我们模型规格可能有何不同？
方差分析
拟合模型
Y（：My87Ja88Mo），
效果（：Blk＃，：Limp，：Moist，：Limp *：Moist），
个性（“标准最小二乘”），
重点（“效果杠杆”），
跑（
：My87Ja88Mo << {拟合摘要（1），方差分析（1），
参数估算值（1），缺乏拟合度（0），扩展估算值（1），
比例估计值（0），按预测（1）绘制实际图，
情节回归（0），残差预测值（1），
绘制学生化残差（0），绘制效应杠杆（1），
通过标准分位数（0）绘制残差图
Box Cox Y变换（0）}
）
）;
GLM
拟合模型
Y（：My87Ja88Mo），
效果（：Blk＃，：Limp，：Moist，：Limp *：Moist），
人格（“广义线性模型”），
GLM分布（“正常”），
链接功能（“身份”），
过度分散测试和间隔（0），
名称（“ Firth Bias-adjusted Estimates”）（0），
跑
）;
回复：用于生态现场实验的ANOVA与GLM这些模型可能因分类因素的参数化而有所不同。 请看这些细节。
回复：用于生态现场实验的ANOVA与GLM感谢您的回复。 回应您的编号陈述：
1.感谢您澄清ANOVA和GLM之间的区别。 对于我们来说，GLM是一个相对较新的领域。
2.我们将在下面的数据集中附上完整的一列响应数据。
3.我们的ANOVA和GLM模型在“拟合模型”对话框中使用相同的处理和误差项。 如果您有时间测试我们的脚本，也许您可以解释为什么p值在输出中会有所不同。
4.感谢您对“效果筛选”模块的介绍，包括其法线和帕累托图选项。 不确定如何解释重大影响，但这可能与我们的案例无关。
块 | 残肢 | 湿气 | 更改/月 |
1个 | + L | + M | 0.5 |
1个 | + L | -M | 1.2 |
1个 | -L | + M | 0.9 |
1个 | -L | -M | 0.7 |
2 | + L | + M | 0.5 |
2 | + L | -M | 0.2 |
2 | -L | + M | 1.7 |
2 | -L | -M | 0.1 |
3 | + L | + M | -0.2 |
3 | + L | -M | 0.2 |
3 | -L | + M | -0.3 |
3 | -L | -M | -0.2 |
4 | + L | + M | -0.2 |
4 | + L | -M | 1.1 |
4 | -L | + M | 0.5 |
4 | -L | -M | 0.0 |
回复：用于生态现场实验的ANOVA与GLM同样，估计过程也不同。 最小二乘解是直接计算的闭合形式。 GLM解决方案是用于最大似然估计的一种迭代方法。 这是首先使用Fit Least Squares平台估算的同一模型：
这是使用正态分布对带有标识链接的响应使用GLM估计的同一模型：
对于分类预测的年龄和性别，参数化是相同的，但估算程序有所不同。 前者基于t和F检验的平方和，而后者基于卡方比检验的似然法。
两种模型对响应的预测相同：
回复：用于生态现场实验的ANOVA与GLM为回答您的问题，是的，我们使用JMP工具查找2x2处理组合之间的离群值和方差异质性。 正如预期的那样，响应在块（空间单位）之间会有所不同，因此产生阻塞的动机。 块内没有重复的图（tmt组合）。执行顺序无关紧要，因为一次对每个块中的所有四个图进行了处理。
我们还绘制了所有响应间隔x块x处理组合（2个因子，每个x 2级）的均值，sems和单个块值。 这些模型的目标是确定数据中容易看到的模式的基础。
回复：用于生态现场实验的ANOVA与GLM关于第3点，OLS正在直接求解正规方程。 结果基于平方和。 这导致整个模型的F检验。 正态分布参数估计导致t检验。 另一方面，GLM正在使用MLE。 结果基于-2LogLikelihood。 这导致卡方检验（似然比检验）。
因此，估计和检验使用不同的方法。 不能期望它们给出相同的p值。 请注意，这些值通常不一致，即使不一致。
回复：用于生态现场实验的ANOVA与GLM关于第1点，GLM的主要好处是您不仅限于响应的正态分布模型。 如果您的响应（有条件地）呈正态分布，则只需使用OLS。
回复：用于生态现场实验的ANOVA与GLMBox还喜欢做贝叶斯绘图。 卡斯伯特·丹尼尔（Cuthbert Daniel）是第一个使用“半正态图”进行实验分析的人。 本质上，如果所有治疗效果的null均为true，则其效果应正态分布（随机），平均值为零。 “正态”图描述了已变换的效果，因此，出现在直线上的效果是随机效果，并且可以指定偏离直线的点。 JMP在图中增加了Lenth的PSE系列，但是您在解释时必须小心。
