问题：我们观察到使用不同数据子集运行时，分裂图模型的行为不稳定。 对于六个响应变量列中的两个，脚本为模型中的随机因子生成错误的输出。 具体来说，随机因素占REML方差分量估计表中总方差的0％，而最小二乘均值表显示的是一列均值，而不是标准误。
我们已经检查了列的属性，并替换了有问题的列中的数据，但无济于事。 有两行证据表明此行为不是由于脚本错误引起的：
- 该脚本可在其他四个响应变量列上正常运行
- 简化的模型（仅包含随机因子和有问题的数据列）为一个响应变量生成了错误的输出，而对于另一个变量，输出似乎是正确的
我们提供了实验设计和分析方法的简短摘要，以及有问题的数据，使用的脚本和模型输出的示例。 我们还附带了一个pdf文件，其中显示了上述简化模型的脚本和输出。
感谢您为解决这个难题提供的帮助！
实验设计：一个生态野外实验，由四个（或三个）空间定义的块（重复项）组成，在分块图设计中随机分配了三个因素。 在整个地块上，
将两个相对较难更改的二级因子-帽毛去除（+/-）和水分增加（+/-）-随机分配给每个块中的四个图。 在子图规模上，将刀片移除（Blades +/-）随机分配给每个整个图中的两个子图（请参见下面的示例布局）。
样本数据集
大块＃ | 跛行 | 湿 | 叶片 | Ja88Ap88 | 先生89 |
1个 | + L | + M | + B | 0 | -15 |
1个 | -L | + M | + B | -5.88235 | -2.94118 |
1个 | + L | -M | + B | 5.88235 | -11.7647 |
1个 | -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个 | + L | + M | -B | -5.88235 | 11.47059 |
1个 | -L | + M | -B | 3.23529 | 5.29412 |
1个 | + L | -M | -B | -2.94118 | -8.82353 |
1个 | -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。 为了简化分析，我们选择将四种全图处理组合建模为单个因子的四个级别（以下脚本中的Concatenate [Limp，Moist]）。 我们计划使用事后检验来区分治疗手段。 随机效应（整个图的误差项）是块，帽贝和湿度代码（例如，下面的：Name（“ Concatenate [Blk＃，Limp，Moist]”）[：Blk＃]）的串联。
完整模型的示例脚本。
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(
)
),
完整模型的部分输出。
REML方差分量估计对于Ja88Apr88（n = 4个块）
随机效应 | 可变比率 | 无功分量 | 标准错误 | 降低95％ | 上层95％ | Wald p值 | 总计百分比 | |
串联[Blk＃，Limp，潮湿] [Blk＃] | -0.324822 | -40.38441 | 27.376421 | -94.04121 | 13.272392 | 0.1402 | 0.000 | |
剩余的 | | 124.32778 | 50.756605 | 63.930876 | 338.78407 | | 100.000 | |
总 | | 124.32778 | 50.756605 | 63.930876 | 338.78407 | | 100.000 | |
固定效果测试对于Ja88Apr88注意分母的自由度似乎是正确的。
资源 | 纳帕姆 | 东风 | DFDen | F比 | 概率> F | |
大块＃ | 3 | 3 | 9 | 3.1201 | 0.0808 | |
级联[Limp，潮湿] | 3 | 3 | 9 | 0.2215 | 0.8791 | |
叶片 | 1个 | 1个 | 12 | 0.3675 | 0.5557 | |
刀片*级联[Limp，潮湿] | 3 | 3 | 12 | 1.0059 | 0.4238 | |
最小二乘均值表对于Ja88Apr88（n = 4个块）
水平 | 最小均方 | 标准错误 | |
[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 | 。 | |
让我作为我的评论的开头，因为我不从科学或工程的角度理解您所描述的情况，因此我的评论可能完全不合逻辑。 确实很难改变帽贝和湿度，这是随机的。 我不知道您的假设是什么，或者我不了解响应变量或与此相关的因素？ 关于您的实验，我有一些疑问。 我遇到的困难是理解您的设计计划（基于您提供的样本数据）：
1.这句话对我来说毫无意义：在分割图设计中随机分配了3个因子”。 分割图设计故意限制了随机性，所以我不明白您在做什么。 在样本数据集中，看起来“您很难更改演员”正在发生很大变化！ 子图因子似乎没有像您的整个图因子那样变化？ 您有运行订单吗？
2.我也不理解您对积木的使用？ 我假设您正在使用这些块来获取整个绘图错误的估计值？ 让我看看我是否了解您在做什么...您正在4个不同的“位置/空间”（块）中运行2 ^ 3阶乘实验。 在每个块内，您打算将随机数限制在阶乘矩阵中的3个因子（L和M）中的2个。 这听起来更像是分割图。 我只是在jmp文件中添加了设计，以查看这是否是您正在运行的。
3.为什么要合并L＆M？ 如果执行此操作，您将无法量化L * M相互作用以及L和M的其他任何二阶效应的能力？ 相反，您可以估计二次和三次效应？？？
4.您的测量系统看起来有一个辨别问题（它似乎不是连续的）。 查看样本数据集时只有一些数字可用？ 这是真实数据吗？
值得深思（请原谅我的漫步）...之所以需要注意并考虑随机限制，是因为在整个实验过程中，噪声可能会发生意料之外的变化，进而影响实验误差和随后进行统计检验。 思想是整个图错误将不同于子图错误，因此应针对每个图执行不同的显着性检验。 如果在计划实验时，如果您确定了噪声变量并假设了这些噪声变量的影响，则可以在设计实验时考虑到这一点（例如，块内部发生了什么变化以及块之间发生了什么变化？） 。 如果在整个图块级别（在块之间）变化的噪声与在子电位差级别变化的噪声之间几乎没有差异，则考虑该限制可能没有影响。 但是，如果整个图级的噪声（以及估计误差）与子图级的噪声存在显着差异，则显着性检验应反映出这一点。
