Problem : Wir haben ein unregelmäßiges Verhalten eines Split-Plot-Modells beobachtet, wenn es mit verschiedenen Teilmengen unserer Daten ausgeführt wurde. Für zwei von sechs Spalten mit Antwortvariablen erzeugt das Skript falsche Ausgaben für den Zufallsfaktor im Modell. Insbesondere macht der Zufallsfaktor 0% der Gesamtvarianz in der Tabelle REML Varianz Component Estimates aus, und in der Tabelle der Mittelwerte der kleinsten Quadrate wird eine Spalte mit Mittelwerten, jedoch nicht mit Standardfehlern angezeigt.
Wir haben die Spalteneigenschaften überprüft und die Daten in den problematischen Spalten ohne Erfolg ersetzt. Zwei Hinweise deuten darauf hin, dass dieses Verhalten nicht auf einen Skriptfehler zurückzuführen ist:
- Das Skript funktioniert ordnungsgemäß für die anderen vier Spalten der Antwortvariablen
- Ein reduziertes Modell - das nur den Zufallsfaktor und die problematischen Datenspalten enthält - erzeugt eine falsche Ausgabe für eine der Antwortvariablen, während für die andere Variable die Ausgabe korrekt zu sein scheint
Wir enthalten eine kurze Zusammenfassung unseres experimentellen Aufbaus und unseres Analyseansatzes sowie Beispiele für die problematischen Daten, die verwendeten Skripte und die Modellausgabe. Wir fügen auch ein PDF bei, das das Skript und die Ausgabe für die oben beschriebenen reduzierten Modelle zeigt.
Vielen Dank für jede Hilfe bei der Lösung dieses Rätsels!
Experimentelles Design : Ein ökologisches Feldexperiment, das aus vier (oder drei) räumlich definierten Blöcken (Replikaten) besteht, denen 3 Faktoren in einem Split-Plot-Design zufällig zugeordnet wurden. Auf der gesamten Handlungsskala
Zwei zweistufige Faktoren - Napfschneckenentfernung (+/-) und Feuchtigkeitszugabe (+/-), beide relativ schwer zu ändern - wurden zufällig vier Parzellen in jedem Block zugeordnet. Auf der Subplot-Skala wurde die Klingenentfernung (Blades +/-) zufällig zwei Subplots innerhalb jedes gesamten Plots zugewiesen (siehe Beispiellayout unten).
Beispieldatensatz
Schwarz # | Schlaff | Feucht | Klingen | Ja88Ap88 | Mr89Nv89 |
1 | + L. | + M. | + B. | 0 | -15 |
1 | -L | + M. | + B. | -5,88235 | -2,94118 |
1 | + L. | -M | + B. | 5,88235 | -11,7647 |
1 | -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 | + L. | + M. | -B | -5,88235 | 11.47059 |
1 | -L | + M. | -B | 3.23529 | 5.29412 |
1 | + L. | -M | -B | -2,94118 | -8,82353 |
1 | -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 |
Analyse . Um die Analyse zu vereinfachen, haben wir die vier Behandlungskombinationen für das gesamte Diagramm als vier Ebenen eines einzelnen Faktors modelliert (Verketten [Limp, Moist] im folgenden Skript). Wir planen, Post-hoc-Tests zu verwenden, um zwischen den Behandlungsmitteln zu unterscheiden. Der zufällige Effekt (Fehlerterm für das gesamte Diagramm) ist eine Verkettung der Block-, Napfschnecken- und Feuchtigkeitscodes (dh: Name ("Verketten [Blk #, Limp, Moist]") [: Blk #] unten).
Beispielskript für das vollständige Modell .
</CODE>Fit Model(<BR />Y( :Ja88Ap88 ),<BR />Effects(<BR />:Blk#,<BR />:Name( "Concatenate[Limp,Moist]" ),<BR />:Blades,<BR />:Blades * :Name( "Concatenate[Limp,Moist]" )<BR />),<BR />Random Effects( :Name( "Concatenate[Blk#,Limp,Moist]" )[:Blk#] ),<BR />NoBounds( 1 ),<BR />Personality( "Standard Least Squares" ),<BR />Method( "REML" ),<BR />Emphasis( "Minimal Report" ),<BR />Run(<BR />)<BR />),</PRE><P> </P><P><U>Teilausgabe für Vollmodell</U> .</P><P><STRONG>Schätzungen der REML-Varianzkomponenten</STRONG> Für Ja88Apr88 (n = 4 Blöcke)</P><TABLE><TBODY><TR><TD><P><STRONG>Zufälliger Effekt</STRONG></P></TD><TD><P><STRONG>Var Ratio</STRONG></P></TD><TD><P><STRONG>Var-Komponente</STRONG></P></TD><TD><P><STRONG>Standardfehler</STRONG></P></TD><TD><P><STRONG>95% niedriger</STRONG></P></TD><TD><P><STRONG>95% oben</STRONG></P></TD><TD><P><STRONG>Wald p-Wert</STRONG></P></TD><TD><P><STRONG>Pct von Gesamt</STRONG></P></TD><TD> </TD></TR><TR><TD><P>Verketten Sie [Blk #, Limp, Moist] [Blk #]</P></TD><TD><P>-0,324822</P></TD><TD><P>-40,38441</P></TD><TD><P>27.376421</P></TD><TD><P>-94,04121</P></TD><TD><P>13.272392</P></TD><TD><P>0,1402</P></TD><TD><P>0,000</P></TD><TD> </TD></TR><TR><TD><P>Restwert</P></TD><TD><P> </P></TD><TD><P>124.32778</P></TD><TD><P>50.756605</P></TD><TD><P>63.930876</P></TD><TD><P>338,78407</P></TD><TD><P> </P></TD><TD><P>100.000</P></TD><TD> </TD></TR><TR><TD><P>Gesamt</P></TD><TD><P> </P></TD><TD><P>124.32778</P></TD><TD><P>50.756605</P></TD><TD><P>63.930876</P></TD><TD><P>338,78407</P></TD><TD><P> </P></TD><TD><P>100.000</P></TD><TD> </TD></TR></TBODY></TABLE><P> </P><P><STRONG>Effekttests behoben</STRONG> Für Ja88Apr88<U> Hinweis</U> Nenner Freiheitsgrade scheinen korrekt zu sein.</P><TABLE><TBODY><TR><TD><P><STRONG>Quelle</STRONG></P></TD><TD><P><STRONG>Nparm</STRONG></P></TD><TD><P><STRONG>DF</STRONG></P></TD><TD><P><STRONG>DFDen</STRONG></P></TD><TD><P><STRONG>F-Verhältnis</STRONG></P></TD><TD><P><STRONG>Prob> F.</STRONG></P></TD><TD> </TD></TR><TR><TD><P>Schwarz #</P></TD><TD><P>3</P></TD><TD><P>3</P></TD><TD><P>9</P></TD><TD><P>3.1201</P></TD><TD><P>0,0808</P></TD><TD> </TD></TR><TR><TD><P>Verketten [Limp, Moist]</P></TD><TD><P>3</P></TD><TD><P>3</P></TD><TD><P>9</P></TD><TD><P>0,2215</P></TD><TD><P>0,8791</P></TD><TD> </TD></TR><TR><TD><P>Klingen</P></TD><TD><P>1</P></TD><TD><P>1</P></TD><TD><P>12</P></TD><TD><P>0,3675</P></TD><TD><P>0,5557</P></TD><TD> </TD></TR><TR><TD><P>Klingen * verketten [schlaff, feucht]</P></TD><TD><P>3</P></TD><TD><P>3</P></TD><TD><P>12</P></TD><TD><P>1,0059</P></TD><TD><P>0,4238</P></TD><TD> </TD></TR></TBODY></TABLE><P> </P><P><STRONG>Least Squares Means Table</STRONG> Für Ja88Apr88 (n = 4 Blöcke)</P><TABLE><TBODY><TR><TD><P><STRONG>Niveau</STRONG></P></TD><TD><P><STRONG>Least Sq Mean</STRONG></P></TD><TD><P><STRONG>Standardfehler</STRONG></P></TD><TD> </TD></TR><TR><TD><P>[1] 1, + L, + M.</P></TD><TD><P>-2,28820</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[1] 1, + L, -M</P></TD><TD><P>-9.03709</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[1] 1, -L, + M.</P></TD><TD><P>-8,62806</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[1] 1, -L, -M</P></TD><TD><P>8,48276</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[2] 2, + L, + M.</P></TD><TD><P>7.78410</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[2] 2, + L, -M</P></TD><TD><P>-1,69162</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[2] 2, -L, + M.</P></TD><TD><P>-3,73673</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[2] 2, -L, -M</P></TD><TD><P>-3,53222</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[3] 3, + L, + M.</P></TD><TD><P>-11,31712</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[3] 3, + L, -M</P></TD><TD><P>-6,88603</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[3] 3, -L, + M.</P></TD><TD><P>-11,93065</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[3] 3, -L, -M</P></TD><TD><P>-5,45444</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[4] 4, + L, + M.</P></TD><TD><P>-14,25232</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[4] 4, + L, -M</P></TD><TD><P>-2,45880</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[4] 4, -L, + M.</P></TD><TD><P>4.22192</P></TD><TD><P>.</P></TD><TD> </TD></TR><TR><TD><P>[4] 4, -L, -M</P></TD><TD><P>-19,56963</P></TD><TD><P>.</P></TD><TD> </TD></TR></TBODY></TABLE><P> </P></LINGO-BODY><LINGO-LABS id="lingo-labs-328571" slang="en-US"><LINGO-LABEL>Datentabelle</LINGO-LABEL><LINGO-LABEL>Skripting</LINGO-LABEL></LINGO-LABS><LINGO-SUB id="lingo-sub-328695" slang="en-US">Betreff: Fehlerhaftes Verhalten des Split-Plot-Modells: Kontaminierte Daten, Skriptfehler oder Fehler?</LINGO-SUB><LINGO-BODY id="lingo-body-328695" slang="en-US"><P>Lassen Sie mich meine Kommentare vorwegnehmen, indem ich die von Ihnen beschriebene Situation aus wissenschaftlicher oder technischer Sicht nicht verstehe, sodass meine Kommentare möglicherweise völlig falsch sind. Es ist sinnvoll, dass es schwierig ist, Napfschnecken und Feuchtigkeit zufällig zu wechseln. Ich weiß nicht, was Ihre Hypothesen sind, noch verstehe ich die Antwortvariable oder die Faktoren für diese Angelegenheit? Ich habe einige Fragen zu Ihrem Experiment. Die Schwierigkeit, die ich habe, besteht darin, Ihren Entwurfsplan zu verstehen (basierend auf den von Ihnen angegebenen Beispieldaten):</P><P>1. Diese Aussage macht für mich keinen Sinn: "<SPAN> denen 3 Faktoren in einem Split-Plot-Design zufällig zugeordnet wurden ". Split-Plot-Designs beschränken absichtlich die Randomisierung, daher verstehe ich nicht, was Sie tun. Im Beispieldatensatz sieht es so aus, als ob Sie "schwer zu ändern f</SPAN> Schauspieler "verändern sich sehr! Der Subplot-Faktor scheint sich nicht annähernd so stark zu ändern wie Ihre gesamten Plot-Faktoren? Hast du die Ausführungsreihenfolge?</P><P>2. Ich verstehe auch nicht, wie Sie den Block verwenden? Ich nehme an, Sie verwenden die Blöcke, um eine Schätzung der gesamten Plotfehler zu erhalten. Lassen Sie mich sehen, ob ich verstehe, was Sie tun ... Sie führen ein 2 ^ 3-faktorielles Experiment an 4 verschiedenen "Orten / Räumen" (Blöcken) durch. Innerhalb jedes Blocks beabsichtigen Sie, die Randomisierung auf 2 von 3 Faktoren (L und M) in einer Fakultätsmatrix zu beschränken. Das klingt eher nach einem Split-Split-Plot. Ich habe nur das Design in eine JMP-Datei eingefügt, um zu sehen, ob dies das ist, was Sie ausführen.</P><P>3. Warum sollten Sie L & M kombinieren? Wenn Sie dies tun, verlieren Sie die Fähigkeit, die L * M-Wechselwirkung und einen anderen Effekt 2. Ordnung mit L und M zu quantifizieren? Stattdessen können Sie quadratische und kubische Effekte abschätzen ???</P><P>4. Ihr Messsystem scheint ein Diskriminierungsproblem zu haben (es erscheint nicht kontinuierlich). Es sind nur einige Zahlen verfügbar, die sich den Beispieldatensatz ansehen. Sind das die wirklichen Daten?</P><P>Denkanstöße (entschuldigen Sie mein Streifzug) ... der Grund, warum Sie sich bewusst sein und Einschränkungen bei der Randomisierung berücksichtigen müssen, liegt in der Möglichkeit unerwarteter Änderungen des Rauschens im Verlauf des Experiments, die sich wiederum auf die experimentellen Fehler auswirken anschließend die statistischen Tests. Es wird davon ausgegangen, dass sich die gesamten Plotfehler von den Teilplotfehlern unterscheiden. Daher sollte für jeden ein anderer Signifikanztest durchgeführt werden. Wenn Sie bei der Planung Ihres Experiments die Rauschvariablen identifizieren und Hypothesen über die Auswirkungen dieser Rauschvariablen aufstellen, können Sie dies bei der Gestaltung Ihres Experiments berücksichtigen (z. B. was ändert sich innerhalb eines Blocks und was ändert sich zwischen den Blöcken?). . Wenn es nur einen sehr geringen Unterschied zwischen dem Rauschen gibt, das sich auf dem gesamten Plotpegel (zwischen Block) ändert, und dem Rauschen, das sich auf dem Subtopfpegel ändert, ist die Berücksichtigung der Einschränkung möglicherweise ohne Bedeutung. Wenn es jedoch signifikante Unterschiede im Rauschen (und damit in den geschätzten Fehlern) auf der gesamten Plotebene und im Rauschen auf der Subplot-Ebene gibt, sollten Signifikanztests dies widerspiegeln.</P><P> </P></LINGO-BODY><LINGO-SUB id="lingo-sub-328867" slang="en-US">Betreff: Fehlerhaftes Verhalten des Split-Plot-Modells: Kontaminierte Daten, Skriptfehler oder Fehler?</LINGO-SUB><LINGO-BODY id="lingo-body-328867" slang="en-US"><P>Lesen Sie bitte<A href="https://community.jmp.com/t5/user/viewprofilepage/user-id/4358" target="_blank"> @ Statman</A> Antwort sorgfältig.</P>
<P> </P>
<P>Ich bin auch verwirrt von Ihrem Beitrag:</P>
<UL>
<LI>Sie haben die Limpet- und Moisture-Werte verkettet und ihre Gelenkveränderungen als zufällige Auswirkung auf die Reaktion behandelt? Würden Sie nicht erwarten, dass diese Faktoren feste Effekte erzeugen?</LI>
<LI>Was Sie Blk # nennen, ist eigentlich die ganze Handlung? Das heißt, diese Läufe setzen den schwer zu ändernden Faktor einmal zurück? Dann sollte es wahrscheinlich der einzige zufällige Effekt im Modell sein.</LI>
<LI>Es scheint, dass Blades der gesamte Plotfaktor (schwer zu ändern) ist, aber wie wird Blades dann im selben Plot auf -B und + B gesetzt?</LI>
<LI>Ihr Skript zeigt an, dass Sie sowohl für die festen als auch für die zufälligen Effekte dieselben Faktoren verwenden. Ist das beabsichtigt?</LI>
<LI>Sie haben die gesamte Handlung verloren = 3?</LI>
</UL>
<P>Möglicherweise liefert dieses Modell die gewünschten Informationen als stabilere Schätzungen:</P>
<P> </P>
<PRE><CODE class=" language-jsl">Fit Model(
Y( :Ja88Ap88 ),
Effects( :Limp, :Moist, :Blades, :Blades * :Limp, :Blades * :Moist ),
Random Effects( :Blk# ),
No Bounds( 1 ),
Personality( "Standard Least Squares" ),
Method( "REML" ),
Emphasis( "Minimal Report" ),
Run()
);
