問題：我們觀察到使用不同數據子集運行時，分裂圖模型的行為不穩定。 對於六個響應變量列中的兩個，腳本為模型中的隨機因子生成錯誤的輸出。 具體來說，隨機因素佔REML方差分量估計表中總方差的0％，而最小二乘均值表顯示的是一列均值，而不是標準誤。
我們已經檢查了列的屬性，並替換了有問題的列中的數據，但無濟於事。 有兩行證據表明此行為不是由於腳本錯誤引起的：
- 該腳本可在其他四個響應變量列上正常運行
- 簡化的模型（僅包含隨機因子和有問題的數據列）為一個響應變量生成了錯誤的輸出，而對於另一個變量，輸出似乎是正確的
我們提供了實驗設計和分析方法的簡短摘要，以及有問題的數據，使用的腳本和模型輸出的示例。 我們還附帶了一個pdf文件，其中顯示了上述簡化模型的腳本和輸出。
感謝您為解決這個難題提供的幫助！
實驗設計：一個生態野外實驗，由四個（或三個）空間定義的塊（重複項）組成，在分塊圖設計中隨機分配了三個因素。 在整個地塊上，
將兩個相對較難更改的二級因子-帽毛去除（+/-）和水分增加（+/-）-隨機分配給每個塊中的四個圖。 在子圖規模上，將刀片移除（Blades +/-）隨機分配給每個整個圖中的兩個子圖（請參見下面的示例佈局）。
樣本數據集
大塊＃ | 跛行 | 濕 | 葉片 | 傑88 | 先生89 |
1個 | + L | + M | + B | 0 | -15 |
1個 | -L | + M | + B | -5.88235 | -2.94118 |
1個 | + L | -M | + B | 5.88235 | -11.7647 |
1個 | -L | -M | + B | -14.4118 | -38.2353 |
2 | + L | + M | + B | -2.94118 | 2.94118 |
2 | -L | + M | + B | 0 | -20.5882 |
2 | + L | -M | + B | 0 | -15 |
2 | -L | -M | + B | 0.29412 | -2.94118 |
3 | + L | + M | + B | 0 | 。 |
3 | -L | + M | + B | -32.3529 | 。 |
3 | + L | -M | + B | -17.6471 | 。 |
3 | -L | -M | + B | -15 | 。 |
4 | + L | + M | + B | 0 | -2.64706 |
4 | -L | + M | + B | -5.88235 | -14.4118 |
4 | + L | -M | + B | -5.58824 | -43.8235 |
4 | -L | -M | + B | -5.88235 | -35.2941 |
1個 | + L | + M | -B | -5.88235 | 11.47059 |
1個 | -L | + M | -B | 3.23529 | 5.29412 |
1個 | + L | -M | -B | -2.94118 | -8.82353 |
1個 | -L | -M | -B | -2.94118 | -11.7647 |
2 | + L | + M | -B | -5.88235 | 6.17647 |
2 | -L | + M | -B | 0 | -6.17647 |
2 | + L | -M | -B | 2.94118 | -26.4706 |
2 | -L | -M | -B | 3.23529 | -20.2941 |
3 | + L | + M | -B | -14.7059 | 。 |
3 | -L | + M | -B | 14.70588 | 。 |
3 | + L | -M | -B | -0.29412 | 。 |
3 | -L | -M | -B | -5.88235 | 。 |
4 | + L | + M | -B | -8.82353 | -26.4706 |
4 | -L | + M | -B | -26.4706 | -20.5882 |
4 | + L | -M | -B | -14.4118 | -44.1177 |
4 | -L | -M | -B | 2.94118 | -47.3529 |
分析。 為了簡化分析，我們選擇將四種全圖處理組合建模為單個因子的四個級別（以下腳本中的Concatenate [Limp，Moist]）。 我們計劃使用事後檢驗來區分治療手段。 隨機效應（整個圖的誤差項）是塊，帽貝和濕度代碼（例如，下面的：Name（“ Concatenate [Blk＃，Limp，Moist]”）[：Blk＃]）的串聯。
完整模型的示例腳本。
Fit Model(
Y( :Ja88Ap88 ),
Effects(
:Blk#,
:Name( "Concatenate[Limp,Moist]" ),
:Blades,
:Blades * :Name( "Concatenate[Limp,Moist]" )
),
Random Effects( :Name( "Concatenate[Blk#,Limp,Moist]" )[:Blk#] ),
NoBounds( 1 ),
Personality( "Standard Least Squares" ),
Method( "REML" ),
Emphasis( "Minimal Report" ),
Run(
)
),
完整模型的部分輸出。
REML方差分量估計對於Ja88Apr88（n = 4個塊）
隨機效應 | 可變比率 | 無功分量 | 標準錯誤 | 降低95％ | 上層95％ | Wald p值 | 總計百分比 | |
串聯[Blk＃，Limp，潮濕] [Blk＃] | -0.324822 | -40.38441 | 27.376421 | -94.04121 | 13.272392 | 0.1402 | 0.000 | |
剩餘的 | | 124.32778 | 50.756605 | 63.930876 | 338.78407 | | 100.000 | |
總 | | 124.32778 | 50.756605 | 63.930876 | 338.78407 | | 100.000 | |
固定效果測試對於Ja88Apr88注意分母的自由度似乎是正確的。
資源 | 納帕姆 | 東風 | DFDen | F比 | 概率> F | |
大塊＃ | 3 | 3 | 9 | 3.1201 | 0.0808 | |
級聯[Limp，潮濕] | 3 | 3 | 9 | 0.2215 | 0.8791 | |
葉片 | 1個 | 1個 | 12 | 0.3675 | 0.5557 | |
刀片*級聯[Limp，潮濕] | 3 | 3 | 12 | 1.0059 | 0.4238 | |
最小二乘均值表對於Ja88Apr88（n = 4個塊）
水平 | 最小均方 | 標準錯誤 | |
[1] 1，+ L，+ M | -2.28820 | 。 | |
[1] 1，+ L，-M | -9.03709 | 。 | |
[1] 1，-L，+ M | -8.62806 | 。 | |
[1] 1，-L，-M | 8.48276 | 。 | |
[2] 2，+ L，+ M | 7.78410 | 。 | |
[2] 2，+ L，-M | -1.69162 | 。 | |
[2] 2，-L，+ M | -3.73673 | 。 | |
[2] 2，-L，-M | -3.53222 | 。 | |
[3] 3，+ L，+ M | -11.31712 | 。 | |
[3] 3，+ L，-M | -6.88603 | 。 | |
[3] 3，-L，+ M | -11.93065 | 。 | |
[3] 3，-L，-M | -5.45444 | 。 | |
[4] 4，+ L，+ M | -14.25232 | 。 | |
[4] 4，+ L，-M | -2.45880 | 。 | |
[4] 4，-L，+ M | 4.22192 | 。 | |
[4] 4，-L，-M | -19.56963 | 。 | |
讓我作為我的評論的開頭，因為我不從科學或工程的角度理解您所描述的情況，因此我的評論可能完全不合時宜。 確實很難改變帽貝和濕度，這是隨機的。 我不知道您的假設是什麼，或者我不了解響應變量或與此相關的因素？ 關於您的實驗，我有一些疑問。 我遇到的困難是理解您的設計計劃（基於您提供的樣本數據）：
1.這句話對我來說毫無意義：在分割圖設計中隨機分配了3個因子”。 分割圖設計故意限制了隨機性，所以我不明白您在做什麼。 在樣本數據集中，看起來“您很難更改演員”正在發生很大變化！ 子圖因子似乎沒有像您的整個圖因子那樣變化？ 您有運行訂單嗎？
2.我也不理解您對積木的使用？ 我假設您正在使用這些塊來獲取整個繪圖錯誤的估計值？ 讓我看看我是否了解您在做什麼...您正在4個不同的“位置/空間”（塊）中運行2 ^ 3階乘實驗。 在每個塊內，您打算將隨機數限制在階乘矩陣中的3個因子（L和M）中的2個。 這聽起來更像是分割圖。 我只是在jmp文件中添加了設計，以查看這是否是您正在運行的。
3.為什麼要合併L＆M？ 如果執行此操作，您將無法量化L * M相互作用以及L和M的其他任何二階效應的能力？ 相反，您可以估計二次和三次效應？？？
4.您的測量系統看起來有一個辨別問題（它似乎不是連續的）。 查看樣本數據集時只有一些數字可用？ 這是真實數據嗎？
值得深思（請原諒我的漫步）...之所以需要注意並考慮隨機限制，是因為在整個實驗過程中，噪聲可能會發生意料之外的變化，進而影響實驗誤差和隨後進行統計檢驗。 思想是整個圖錯誤將不同於子圖錯誤，因此應針對每個圖執行不同的顯著性檢驗。 如果在計劃實驗時，如果您確定了噪聲變量並假設了這些噪聲變量的影響，則可以在設計實驗時考慮到這一點（例如，塊內部發生了什麼變化以及塊之間發生了什麼變化？） 。 如果在整個圖塊級別（在塊之間）變化的噪聲與在子電位差級別變化的噪聲之間幾乎沒有差異，則考慮該限制可能沒有影響。 但是，如果整個圖級的噪聲（以及估計誤差）與子圖級的噪聲存在顯著差異，則顯著性檢驗應反映出這一點。
