ANOVA與GLM進行生態野外實驗我正在分析來自生態野外實驗的數據，旨在測試除草劑（帽貝）和水分的添加對潮間帶岩石海藻覆蓋度變化的影響。 實驗設計是隨機區組，兩因素全因素設計。 我隨附了一份文檔，其中詳細介紹了實驗設計，並列出了與社區討論的三個問題有關的腳本和模型輸出：
- 哪種建模方法（標準最小二乘方差分析或GLM）更適合用於生態田間實驗的建模結果？ 請參閱背景。
- 我用來運行每種類型的模型的腳本是否正確構建？ 請參閱腳本。
- 考慮到GLM（正態，恆等）和ANOVA方法均假定正態分佈，為什麼GLM產生的p值始終小於ANOVA？ 請參閱模型輸出。
美國能源部其他腳本編寫回复：用於生態現場實驗的ANOVA與GLMGLM是普通最小二乘回歸的概括。 如果您的情況滿足普通回歸的假設，則它們在本質上應該等效。 否則，請使用GLM。
如果獲得不同的p值，則模型規格會有所不同。
回复：用於生態現場實驗的ANOVA與GLM我的想法：
1.沒有對吧y分析數據。 任何分析方法都有其優點/缺點。 為了簡化起見，ANOVA基本分析了效果的大小，而GLM同時分析了效果的大小和方向。
2.我沒有評估您的腳本，因為我沒有數據集。
3.我不確定您的意思是“鑑於GLM（正態，同一性）和ANOVA方法均假定正態分佈”。 假設殘差分佈，但不假設實際數據集。 方差分析對於非正態分佈相當強大。 首先，不要愛上p值統計信息。 這只是一個估計。 這是均方比較的結果。 處理的均方根與均方誤差（兩者均為估計值）。 如果更改比較或估計，則p值將更改。
自從你可以嘗試一些將圖塊視為固定效果...用圖塊，L，M，L * M，圖塊* L，圖塊* M，圖塊* L * M飽和模型。 使用正態圖和帕累托圖來尋找明顯的影響。 他消除了均方誤差偏差。
回复：用於生態現場實驗的ANOVA與GLM要添加到@markbailey和@statman的評論/建議您在建模之前是否以有意義的方式繪製了數據？ 由於您進行了實驗設計，因此我建議您創建最小的圖集，因為因子圖和塊圖與響應圖，響應的簡單分佈以及響應與實驗執行順序。 著眼於回答以下問題，這些問題最終用於建立過程理解並幫助確保我們獲得了用於建模的干淨數據：
1.因子/區劃圖是否暗示某些東西會面對已知的生物/物理現象？ 回顧過去，我建議工程師們看看這些圖。 如果他們在道德上等同於“情節表明水流沖上山了，那我們就有問題了”。
2.是否有任何反應異常值表明未預期的潛伏變量可能已影響實驗的進行？
3.響應的實驗執行順序圖是否暗示趨勢或可疑模式，表明實驗行為中可能再次存在潛伏變量？
回复：用於生態現場實驗的ANOVA與GLM馬克，謝謝您的答复。 不幸的是，無法選擇其他錯誤/鏈接選項，因為數據是變化值（非整數值，包括許多小於零的觀察值）。
我要粘貼我們為ANOVA和GLM構建的腳本。 您能否從這些腳本中告訴我們模型規格可能有何不同？
方差分析
擬合模型
Y（：My87Ja88Mo），
效果（：Blk＃，：Limp，：Moist，：Limp *：Moist），
個性（“標準最小二乘”），
重點（“效果槓桿”），
跑（
：My87Ja88Mo << {擬合摘要（1），方差分析（1），
參數估算值（1），缺乏擬合度（0），擴展估算值（1），
比例估計值（0），按預測值（1）繪製的實際圖，
情節回歸（0），殘差預測值（1），
繪製學生化殘差（0），繪製效應槓桿（1），
通過標準分位數（0）繪製殘差圖
Box Cox Y變換（0）}
）
）;
GLM
擬合模型
Y（：My87Ja88Mo），
效果（：Blk＃，：Limp，：Moist，：Limp *：Moist），
人格（“廣義線性模型”），
GLM分佈（“正常”），
鏈接功能（“身份”），
過度分散測試和間隔（0），
名稱（“ Firth Bias-adjusted Estimates”）（0），
跑
）;
回复：用於生態現場實驗的ANOVA與GLM這些模型可能因分類因素的參數化而有所不同。 請看這些細節。
回复：用於生態現場實驗的ANOVA與GLM感謝您的回复。 回應您的編號陳述：
1.感謝您澄清ANOVA和GLM之間的區別。 對於我們來說，GLM是一個相對較新的領域。
2.我們將在下面的數據集中附上完整的一列響應數據。
3.我們的ANOVA和GLM模型在“擬合模型”對話框中使用相同的處理和誤差項。 如果您有時間測試我們的腳本，也許您可以解釋為什麼p值在輸出中會有所不同。
4.感謝您對“效果篩選”模塊的介紹，包括其法線和帕累托圖選項。 不確定如何解釋重大影響，但這可能與我們的案例無關。
塊 | 殘肢 | 濕氣 | 更改/月 |
1個 | + L | + M | 0.5 |
1個 | + L | -M | 1.2 |
1個 | -L | + M | 0.9 |
1個 | -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：用於生態現場實驗的ANOVA與GLM同樣，估計過程也不同。 最小二乘解是直接計算的閉合形式。 GLM解決方案是用於最大似然估計的一種迭代方法。 這是首先使用Fit Least Squares平台估算的同一模型：
這是使用正態分佈對帶有標識鏈接的響應使用GLM估計的同一模型：
對於分類預測的年齡和性別，參數化是相同的，但估算程序有所不同。 前者基於t和F檢驗的平方和，而後者基於卡方比檢驗的似然法。
兩種模型對響應的預測相同：
回复：用於生態現場實驗的ANOVA與GLM為回答您的問題，是的，我們使用JMP工具查找2x2處理組合之間的離群值和方差異質性。 正如預期的那樣，響應在塊（空間單位）之間會有所不同，因此產生阻塞的動機。 塊內沒有重複的圖（tmt組合）。執行順序無關緊要，因為一次對每個塊中的所有四個圖進行了處理。
我們還繪製了所有響應間隔x塊x處理組合（2個因子，每個x 2級）的均值，sems和單個塊值。 這些模型的目標是確定數據中容易看到的模式的基礎。
回复：用於生態現場實驗的ANOVA與GLM關於第3點，OLS正在直接求解正規方程。 結果基於平方和。 這導致整個模型的F檢驗。 正態分佈參數估計導致t檢驗。 另一方面，GLM正在使用MLE。 結果基於-2LogLikelihood。 這導致卡方檢驗（似然比檢驗）。
因此，估計和檢驗使用不同的方法。 不能期望它們給出相同的p值。 請注意，這些值通常不一致，即使不一致。
回复：用於生態現場實驗的ANOVA與GLM關於第1點，GLM的主要好處是您不僅限於響應的正態分佈模型。 如果您的響應（有條件地）呈正態分佈，則只需使用OLS。
回复：用於生態現場實驗的ANOVA與GLMBox還喜歡做貝葉斯繪圖。 卡斯伯特·丹尼爾（Cuthbert Daniel）是第一個使用“半正態圖”進行實驗分析的人。 本質上，如果所有治療效果的null均為true，則其效果應正態分佈（隨機），平均值為零。 “正態”圖描述了已變換的效果，因此，出現在直線上的效果是隨機效果，並且可以指定偏離直線的點。 JMP在圖中增加了Lenth的PSE系列，但是您在解釋時必須小心。
