Problema : Hemos observado un comportamiento errático de un modelo de parcela dividida cuando se ejecuta con diferentes subconjuntos de nuestros datos. Para dos de las seis columnas de variable de respuesta, el script produce resultados incorrectos para el factor aleatorio en el modelo. Específicamente, el factor aleatorio representa el 0% de la varianza total en la tabla de estimaciones de componentes de varianza de REML, y la tabla de medias de mínimos cuadrados muestra una columna de medias pero no de errores estándar.
Hemos comprobado las propiedades de la columna y hemos reemplazado los datos en las columnas problemáticas, sin éxito. Dos líneas de evidencia sugieren que este comportamiento no se debe a un error de secuencia de comandos:
- El script funciona correctamente en las otras cuatro columnas de variables de respuesta.
- Un modelo reducido, que incluye solo el factor aleatorio y las columnas de datos problemáticos, produce una salida incorrecta para una de las variables de respuesta, mientras que para la otra variable la salida parece ser correcta.
Incluimos un breve resumen de nuestro diseño experimental y enfoque de análisis, así como ejemplos de los datos problemáticos, los scripts utilizados y el resultado del modelo. También adjuntamos un pdf que muestra el script y la salida de los modelos reducidos descritos anteriormente.
¡Gracias por cualquier ayuda para resolver este rompecabezas!
Diseño experimental : Un experimento de campo ecológico que consta de cuatro (o tres) bloques definidos espacialmente (réplicas) a los que se asignaron al azar 3 factores en un diseño de parcela dividida. En toda la escala de la trama,
Se asignaron al azar dos factores de dos niveles: eliminación de lapas (+/-) y adición de humedad (+/-), ambos relativamente difíciles de cambiar, a cuatro parcelas dentro de cada bloque. En la escala de la subparcela, la remoción de la hoja (Blades +/-) se asignó al azar a dos subparcelas dentro de cada parcela completa (ver diseño de muestra, a continuación).
Conjunto de datos de muestra
Negro # | Cojear | Húmedo | Cuchillas | Ja88Ap88 | Mr89Nv89 |
1 | + L | + M | + B | 0 | -15 |
1 | -L | + M | + B | -5.88235 | -2,94118 |
1 | + L | -METRO | + B | 5.88235 | -11.7647 |
1 | -L | -METRO | + B | -14.4118 | -38.2353 |
2 | + L | + M | + B | -2,94118 | 2.94118 |
2 | -L | + M | + B | 0 | -20.5882 |
2 | + L | -METRO | + B | 0 | -15 |
2 | -L | -METRO | + B | 0.29412 | -2,94118 |
3 | + L | + M | + B | 0 | . |
3 | -L | + M | + B | -32.3529 | . |
3 | + L | -METRO | + B | -17.6471 | . |
3 | -L | -METRO | + B | -15 | . |
4 | + L | + M | + B | 0 | -2,64706 |
4 | -L | + M | + B | -5.88235 | -14.4118 |
4 | + L | -METRO | + B | -5.58824 | -43.8235 |
4 | -L | -METRO | + B | -5.88235 | -35.2941 |
1 | + L | + M | -SEGUNDO | -5.88235 | 11.47059 |
1 | -L | + M | -SEGUNDO | 3.23529 | 5.29412 |
1 | + L | -METRO | -SEGUNDO | -2,94118 | -8.82353 |
1 | -L | -METRO | -SEGUNDO | -2,94118 | -11.7647 |
2 | + L | + M | -SEGUNDO | -5.88235 | 6.17647 |
2 | -L | + M | -SEGUNDO | 0 | -6.17647 |
2 | + L | -METRO | -SEGUNDO | 2.94118 | -26.4706 |
2 | -L | -METRO | -SEGUNDO | 3.23529 | -20.2941 |
3 | + L | + M | -SEGUNDO | -14.7059 | . |
3 | -L | + M | -SEGUNDO | 14.70588 | . |
3 | + L | -METRO | -SEGUNDO | -0,29412 | . |
3 | -L | -METRO | -SEGUNDO | -5.88235 | . |
4 | + L | + M | -SEGUNDO | -8.82353 | -26.4706 |
4 | -L | + M | -SEGUNDO | -26.4706 | -20.5882 |
4 | + L | -METRO | -SEGUNDO | -14.4118 | -44.1177 |
4 | -L | -METRO | -SEGUNDO | 2.94118 | -47.3529 |
Análisis . Para simplificar el análisis, elegimos modelar las cuatro combinaciones de tratamiento de parcela completa como 4 niveles de un solo factor (Concatenar [Limp, Moist] en el guión, a continuación). Planeamos utilizar pruebas post-hoc para distinguir entre los medios de tratamiento. El efecto aleatorio (término de error para toda la parcela) es una concatenación de los códigos de bloque, lapa y humedad (es decir: Nombre ("Concatenar [Blk #, Limp, Moist]") [: Blk #], abajo).
Script de muestra para el modelo completo .
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(
)
),
Salida parcial para el modelo completo .
Estimaciones del componente de varianza REML Para Ja88Apr88 (n = 4 bloques)
Efecto aleatorio | Relación de var | Componente Var | Error estándar | 95% menor | 95% superior | Valor p de Wald | Porcentaje de total | |
Concatenar [Blk #, Limp, Moist] [Blk #] | -0,324822 | -40.38441 | 27.376421 | -94.04121 | 13.272392 | 0.1402 | 0.000 | |
Residual | | 124.32778 | 50.756605 | 63.930876 | 338.78407 | | 100.000 | |
Total | | 124.32778 | 50.756605 | 63.930876 | 338.78407 | | 100.000 | |
Pruebas de efectos fijos Para Ja88Apr88 Nota Los grados de libertad del denominador parecen ser correctos.
Fuente | Nparm | DF | DFDen | Relación F | Problema> F | |
Negro # | 3 | 3 | 9 | 3.1201 | 0.0808 | |
Concatenar [cojo, húmedo] | 3 | 3 | 9 | 0.2215 | 0.8791 | |
Cuchillas | 1 | 1 | 12 | 0.3675 | 0.5557 | |
Cuchillas * Concatenar [cojo, húmedo] | 3 | 3 | 12 | 1,0059 | 0.4238 | |
Tabla de medias de mínimos cuadrados Para Ja88Apr88 (n = 4 bloques)
Nivel | Media mínima cuadrada | Error estándar | |
[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 | . | |
Permítanme comenzar mis comentarios diciendo: No entiendo la situación que está describiendo desde un punto de vista científico o de ingeniería, por lo que mis comentarios pueden estar completamente equivocados. Tiene sentido que cambiar las lapas y la humedad sea difícil de hacer al azar. No sé cuáles son sus hipótesis ni entiendo la variable de respuesta o los factores para el caso. Tengo algunas preguntas sobre su experimento. La dificultad que tengo es comprender su plan de diseño (según los datos de muestra que proporcionó):
1. Esta afirmación no tiene sentido para mí: " a los que se asignaron aleatoriamente 3 factores en un diseño de parcelas divididas ". Los diseños de parcela dividida restringen deliberadamente la aleatorización, por lo que no entiendo lo que está haciendo. En el conjunto de datos de muestra, parece que su "difícil de cambiar f los actores "están cambiando mucho! ¿El factor de la subtrama no parece cambiar tanto como todos los factores de la trama? ¿Tiene el orden de ejecución?
2. ¿Tampoco entiendo tu uso del bloque? Supongo que está utilizando los bloques para obtener una estimación de todos los errores de la trama. Déjame ver si entiendo lo que estás haciendo ... Estás ejecutando un experimento factorial 2 ^ 3 en 4 "ubicaciones / espacios" (bloques) diferentes. Dentro de cada bloque, intenta restringir la aleatorización en 2 de 3 factores (L y M) en una matriz factorial. Esto suena más a una trama dividida. Agregué solo el diseño en un archivo jmp para ver si esto es lo que está ejecutando.
3. ¿Por qué combinarías L & M? Si hace esto, pierde la capacidad de cuantificar la interacción L * M y cualquier otro efecto de segundo orden con L y M? En su lugar, ¿puede estimar efectos cuadráticos y cúbicos?
4. Su sistema de medición parece tener un problema de discriminación (no parece continuo). ¿Solo hay algunos números disponibles en el conjunto de datos de muestra? ¿Son estos los datos reales?
Alimento para la reflexión (perdón por divagar) ... la razón por la que debe ser consciente y tener en cuenta las restricciones sobre la aleatorización se debe a la posibilidad de cambios imprevistos en el ruido durante el transcurso del experimento, lo que a su vez afecta los errores experimentales y posteriormente las pruebas estadísticas. El pensamiento es que los errores de la parcela completa serán diferentes a los errores de la subparcela y, por lo tanto, se debe realizar una prueba de significancia diferente para cada uno. Si al planificar su experimento, si identifica las variables de ruido y formula una hipótesis sobre los efectos de esas variables de ruido, puede tenerlo en cuenta en el diseño de su experimento (por ejemplo, ¿qué está cambiando dentro de un bloque y qué está cambiando entre bloques?) . Si hay muy poca diferencia entre el cambio de ruido en todo el nivel de la parcela (entre bloques) y el cambio de ruido en el nivel de subpotencia, entonces tener en cuenta la restricción puede no tener ninguna consecuencia. Sin embargo, si hay diferencias significativas en el ruido (y por lo tanto los errores estimados) en todo el nivel de la parcela y el ruido en el nivel de la subparcela, entonces las pruebas de significancia deberían reflejar eso.
