Problema : Abbiamo osservato un comportamento irregolare di un modello split-plot quando eseguito con diversi sottoinsiemi dei nostri dati. Per due delle sei colonne di variabili di risposta, lo script produce output non corretti per il fattore casuale nel modello. In particolare, il fattore casuale rappresenta lo 0% della varianza totale nella tabella Stime dei componenti di varianza REML e la tabella delle medie dei minimi quadrati mostra una colonna di medie ma non di errori standard.
Abbiamo controllato le proprietà delle colonne e sostituito i dati nelle colonne problematiche, senza alcun risultato. Due linee di prova suggeriscono che questo comportamento non è dovuto a un errore di script:
- Lo script funziona correttamente sulle altre quattro colonne delle variabili di risposta
- Un modello ridotto, che include solo il fattore casuale e le colonne di dati problematici, produce un output errato per una delle variabili di risposta mentre per l'altra variabile l'output sembra essere corretto
Includiamo un breve riassunto del nostro progetto sperimentale e del nostro approccio all'analisi, nonché esempi dei dati problematici, degli script utilizzati e dell'output del modello. Alleghiamo anche un pdf che mostra lo script e l'output per i modelli ridotti sopra descritti.
Grazie per l'assistenza nel risolvere questo puzzle!
Design sperimentale : Un esperimento sul campo ecologico costituito da quattro (o tre) blocchi spazialmente definiti (repliche) a cui 3 fattori sono stati assegnati in modo casuale in un disegno a trama divisa. A tutta la scala della trama,
due fattori a due livelli, la rimozione della patella (+/-) e l'aggiunta di umidità (+/-), entrambi relativamente difficili da modificare, sono stati assegnati in modo casuale a quattro lotti all'interno di ciascun blocco. Alla scala del sotto-trama, la rimozione della lama (Lame +/-) è stata assegnata in modo casuale a due sotto-trama all'interno di ogni intero grafico (vedi layout di esempio, sotto).
Set di dati di esempio
Blk # | Zoppicare | Umido | Lame | 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 |
Analisi . Per semplificare l'analisi, abbiamo scelto di modellare le quattro combinazioni di trattamento dell'intera trama come 4 livelli di un singolo fattore (Concatenate [Limp, Moist] nello script, sotto). Prevediamo di utilizzare test post-hoc per distinguere i mezzi di trattamento. L'effetto casuale (termine di errore per l'intero grafico) è una concatenazione dei codici blocco, patella e umidità (ad esempio: Nome ("Concatenate [Blk #, Limp, Moist]") [: Blk #], di seguito).
Script di esempio per il modello completo .
</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>Uscita parziale per il modello completo</U> .</P><P><STRONG>Stime della componente Varianza REML</STRONG> Per Ja88Apr88 (n = 4 blocchi)</P><TABLE><TBODY><TR><TD><P><STRONG>Effetto casuale</STRONG></P></TD><TD><P><STRONG>Var Ratio</STRONG></P></TD><TD><P><STRONG>Componente Var</STRONG></P></TD><TD><P><STRONG>Errore standard</STRONG></P></TD><TD><P><STRONG>95% inferiore</STRONG></P></TD><TD><P><STRONG>95% superiore</STRONG></P></TD><TD><P><STRONG>Wald p-Value</STRONG></P></TD><TD><P><STRONG>Pct del totale</STRONG></P></TD><TD> </TD></TR><TR><TD><P>Concatena [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>Residuo</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>Totale</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>Test di effetti fissi</STRONG> Per Ja88Apr88<U> Nota</U> i gradi di libertà del denominatore sembrano essere corretti.</P><TABLE><TBODY><TR><TD><P><STRONG>fonte</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>Rapporto F.</STRONG></P></TD><TD><P><STRONG>Prob> F</STRONG></P></TD><TD> </TD></TR><TR><TD><P>Blk #</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>Concatenate [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>Lame</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>Lame * Concatenate [Limp, Moist]</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>Tabella delle medie dei minimi quadrati</STRONG> Per Ja88Apr88 (n = 4 blocchi)</P><TABLE><TBODY><TR><TD><P><STRONG>Livello</STRONG></P></TD><TD><P><STRONG>Media quadrata minima</STRONG></P></TD><TD><P><STRONG>Errore standard</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>Tabella dati</LINGO-LABEL><LINGO-LABEL>Scripting</LINGO-LABEL></LINGO-LABS><LINGO-SUB id="lingo-sub-328695" slang="en-US">Ri: comportamento irregolare del modello a trama divisa: dati contaminati, errore di script o bug?</LINGO-SUB><LINGO-BODY id="lingo-body-328695" slang="en-US"><P>Permettetemi di premettere i miei commenti di Non capisco la situazione che state descrivendo da un punto di vista scientifico o ingegneristico, quindi i miei commenti potrebbero essere completamente fuori base. Ha senso che cambiare patelle e umidità sarebbe difficile da fare in modo casuale. Non so quali siano le tue ipotesi né capisco la variabile di risposta oi fattori per quella materia? Ho alcune domande sul tuo esperimento. La difficoltà che ho è capire il tuo piano di progettazione (basato sui dati di esempio che hai fornito):</P><P>1. Questa affermazione non ha senso per me: "<SPAN> a cui 3 fattori sono stati assegnati in modo casuale in un disegno a trama divisa ". I progetti a trama divisa limitano di proposito la randomizzazione, quindi non capisco cosa stai facendo. Nel set di dati di esempio, sembra che il tuo "difficile da cambiare f</SPAN> gli attori "stanno cambiando molto! Il fattore della sottotrama non sembra cambiare tanto quanto i fattori dell'intera trama? Hai l'ordine di corsa?</P><P>2. Inoltre non capisco il tuo uso del blocco? Presumo che tu stia usando i blocchi per ottenere una stima di tutti gli errori di trama? Fammi vedere se capisco cosa stai facendo ... Stai eseguendo un 2 ^ 3 esperimento fattoriale in 4 diversi "luoghi / spazi" (blocchi). All'interno di ogni blocco si intende limitare la randomizzazione a 2 dei 3 fattori (L e M) in una matrice fattoriale. Questo suona più come una trama divisa in due. Ho aggiunto solo il design in un file jmp per vedere se questo è ciò che stai eseguendo.</P><P>3. Perché combinereste L e M? Se lo fai perdi la capacità di quantificare l'interazione L * M e qualsiasi altro effetto di 2 ° ordine con L e M? Puoi invece stimare effetti quadratici e cubici ???</P><P>4. Il tuo sistema di misurazione sembra avere un problema di discriminazione (non sembra continuo). Ci sono solo alcuni numeri disponibili guardando il set di dati campione? Sono questi i dati reali?</P><P>Spunti di riflessione (scusate le mie divagazioni) ... il motivo per cui dovete essere consapevoli e prendere in considerazione le restrizioni sulla randomizzazione è dovuto al potenziale di cambiamenti imprevisti nel rumore nel corso dell'esperimento che a sua volta influisce sugli errori sperimentali e successivamente i test statistici. Il pensiero è che gli errori dell'intera trama saranno diversi dagli errori del sotto-trama e quindi dovrebbe essere eseguito un diverso test di significatività per ciascuno. Se nel pianificare il tuo esperimento, se identifichi le variabili di rumore e ipotizzi gli effetti di tali variabili di rumore, puoi tenerne conto nella progettazione del tuo esperimento (ad esempio, cosa cambia all'interno del blocco e cosa cambia tra i blocchi?) . Se c'è una differenza molto piccola tra il cambiamento del rumore a livello dell'intero lotto (tra il blocco) e il cambiamento del rumore a livello del sub-pot, allora prendere in considerazione la restrizione potrebbe non avere conseguenze. Se, tuttavia, vi sono differenze significative nel rumore (e quindi negli errori stimati) a livello dell'intero lotto e del rumore a livello del sotto-lotto, i test di significatività dovrebbero rispecchiarlo.</P><P> </P></LINGO-BODY><LINGO-SUB id="lingo-sub-328867" slang="en-US">Ri: comportamento irregolare del modello a trama divisa: dati contaminati, errore di script o bug?</LINGO-SUB><LINGO-BODY id="lingo-body-328867" slang="en-US"><P>Si prega di leggere<A href="https://community.jmp.com/t5/user/viewprofilepage/user-id/4358" target="_blank"> @statman</A> risponde con attenzione.</P>
<P> </P>
<P>Sono anche confuso dal tuo post:</P>
<UL>
<LI>Hai concatenato i livelli di Limpet e Umidità e poi hai trattato i loro cambiamenti articolari come un effetto casuale sulla risposta? Non ti aspetteresti che questi fattori producano effetti fissi?</LI>
<LI>Quello che chiami Blk # è in realtà l'intera trama? Cioè, queste corse resettano il fattore difficile da cambiare una volta? Allora dovrebbe probabilmente essere l'unico effetto casuale nel modello.</LI>
<LI>Sembra che Blades sia l'intero fattore della trama (difficile da cambiare), ma allora come è impostato Blades su -B e + B nella stessa trama?</LI>
<LI>Il tuo script indica che stai usando gli stessi fattori sia per gli effetti fissi che per quelli casuali. È intenzionale?</LI>
<LI>Hai perso tutta l'intera trama = 3?</LI>
</UL>
<P>Forse questo modello fornirà le informazioni che desideri come stime più stabili:</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()
);
