問題：データのさまざまなサブセットを使用して実行すると、分割プロットモデルの動作が不安定になることが確認されています。 6つの応答変数列のうちの2つについて、スクリプトはモデルのランダム因子に対して誤った出力を生成します。 具体的には、ランダム係数はREML分散コンポーネント推定テーブルの合計分散の0％を占め、最小二乗平均のテーブルには平均の列が表示されますが、標準誤差の列は表示されません。
列のプロパティを確認し、問題のある列のデータを置き換えましたが、役に立ちませんでした。 2行の証拠は、この動作がスクリプトエラーによるものではないことを示しています。
- スクリプトは、他の4つの応答変数列で正しく機能します
- ランダムファクターと問題のあるデータ列のみを含む縮小モデルでは、応答変数の1つに対して誤った出力が生成されますが、他の変数については出力が正しいように見えます。
実験計画と分析へのアプローチの簡単な要約に加えて、問題のあるデータ、使用されたスクリプト、およびモデル出力の例が含まれています。 また、上記の縮小モデルのスクリプトと出力を示すPDFを添付します。
このパズルを解くのに助けてくれてありがとう！
実験計画：分割プロット設計で3つの要素がランダムに割り当てられた4つ（または3つ）の空間的に定義されたブロック（複製）で構成される生態学的フィールド実験。 プロットスケール全体で、
2つの2つのレベルの要因（どちらも比較的変更が難しいカサガイの除去（+/-）と水分の追加（+/-））が、各ブロック内の4つのプロットにランダムに割り当てられました。 サブプロットスケールでは、ブレードの除去（ブレード+/-）が各プロット全体内の2つのサブプロットにランダムに割り当てられました（以下のサンプルレイアウトを参照）。
サンプルデータセット
Blk＃ | ぐったり | しっとり | ブレード | 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 |
分析。 分析を単純化するために、4つのプロット全体の処理の組み合わせを単一の因子の4つのレベルとしてモデル化することを選択しました（以下のスクリプトのConcatenate [Limp、Moist]）。 治療手段を区別するために事後テストを使用する予定です。 変量効果（プロット全体の誤差項）は、ブロック、リンペット、および水分コードの連結です（つまり、以下の：Name（ "Concatenate [Blk＃、Limp、Moist]"）[：Blk＃]）。
フルモデルのサンプルスクリプト。
</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>フルモデルの部分出力</U>。</P><P><STRONG>REML分散コンポーネントの推定</STRONG>Ja88Apr88の場合（n = 4ブロック）</P><TABLE><TBODY><TR><TD><P><STRONG>変量効果</STRONG></P></TD><TD><P><STRONG>変動率</STRONG></P></TD><TD><P><STRONG>変数コンポーネント</STRONG></P></TD><TD><P><STRONG>標準エラー</STRONG></P></TD><TD><P><STRONG>95％低い</STRONG></P></TD><TD><P><STRONG>95％アッパー</STRONG></P></TD><TD><P><STRONG>Waldp値</STRONG></P></TD><TD><P><STRONG>合計の割合</STRONG></P></TD><TD> </TD></TR><TR><TD><P>連結[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>残余</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>合計</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>固定効果テスト</STRONG>Ja88Apr88の場合<U>注意</U>分母の自由度は正しいようです。</P><TABLE><TBODY><TR><TD><P><STRONG>ソース</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比</STRONG></P></TD><TD><P><STRONG>確率> 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>連結[ぐったり、しっとり]</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>ブレード</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>ブレード*連結[リンプ、モイスト]</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>最小二乗平均表</STRONG>Ja88Apr88の場合（n = 4ブロック）</P><TABLE><TBODY><TR><TD><P><STRONG>レベル</STRONG></P></TD><TD><P><STRONG>最小平方平均</STRONG></P></TD><TD><P><STRONG>標準エラー</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>データ表</LINGO-LABEL><LINGO-LABEL>スクリプティング</LINGO-LABEL></LINGO-LABS><LINGO-SUB id="lingo-sub-328695" slang="en-US">Re：分割プロットモデルの異常な動作：汚染されたデータ、スクリプトエラー、またはバグ？</LINGO-SUB><LINGO-BODY id="lingo-body-328695" slang="en-US"><P>私のコメントの前に、あなたが説明している状況が科学的または工学的な観点から理解していないので、私のコメントは完全に根拠がない可能性があります。 カサガイと水分をランダムに変えるのは難しいことは理にかなっています。 あなたの仮説が何であるかわかりませんし、応答変数やその問題の要因もわかりませんか？ あなたの実験に関していくつか質問があります。 私が抱えている問題は、（提供したサンプルデータに基づいて）設計計画を理解することです。</P><P>1.このステートメントは私には意味がありません： "<SPAN>分割プロット設計では、3つの要素がランダムに割り当てられました。」 分割プロットの設計は意図的にランダム化を制限しているため、あなたが何をしているのかわかりません。 サンプルデータセットでは、「変更が難しいf」のように見えます。</SPAN>俳優」は大きく変化しています！ サブプロット係数は、プロット係数全体ほど変化していないように見えますか？ 実行順序はありますか？</P><P>2.ブロックの使い方もわかりませんか？ プロットエラー全体の推定値を取得するためにブロックを使用していると思いますか？ あなたが何をしているのか理解できるかどうか見てみましょう...あなたは4つの異なる「場所/空間」（ブロック）で2 ^ 3要因実験を実行しています。 各ブロック内で、階乗行列の3つの因子（LとM）のうちの2つでランダム化を制限しようとしています。 これは、分割分割プロットのように聞こえます。 これが実行しているものであるかどうかを確認するために、jmpファイルにデザインだけを追加しました。</P><P>3.なぜLとMを組み合わせるのですか？ これを行うと、L * M相互作用およびLとMを使用したその他の2次効果を定量化する機能が失われますか？ 代わりに、2次および3次効果を推定できますか？</P><P>4.測定システムに識別の問題があるように見えます（連続していないように見えます）。 サンプルデータセットを見ると利用できる数字はほんのわずかですか？ これは本当のデータですか？</P><P>思考の糧（私のとりとめのないことを許してください）...ランダム化の制限を認識して考慮する必要がある理由は、実験の過程でノイズが予期せず変化し、それが実験エラーに影響を与える可能性があるためです。その後、統計的検定。 全体のプロットエラーはサブプロットエラーとは異なるため、それぞれに対して異なる有意差検定を実行する必要があると考えられます。 実験を計画する際に、ノイズ変数を特定し、それらのノイズ変数の影響について仮説を立てる場合、実験の設計でそれを考慮に入れることができます（たとえば、ブロック内で何が変化し、ブロック間で何が変化するか）。 。 プロットレベル全体（ブロック間）で変化するノイズとサブポットレベルで変化するノイズの間にほとんど違いがない場合、制限を考慮しても重要ではない可能性があります。 ただし、プロットレベル全体のノイズ（したがって推定誤差）とサブプロットレベルのノイズに有意差がある場合、有意差検定はそれを反映する必要があります。</P><P> </P></LINGO-BODY><LINGO-SUB id="lingo-sub-328867" slang="en-US">Re：分割プロットモデルの異常な動作：汚染されたデータ、スクリプトエラー、またはバグ？</LINGO-SUB><LINGO-BODY id="lingo-body-328867" slang="en-US"><P>読んでください<A href="https://community.jmp.com/t5/user/viewprofilepage/user-id/4358" target="_blank">@statman</A>慎重に返信します。</P>
<P> </P>
<P>私もあなたの投稿に混乱しています：</P>
<UL>
<LI>LimpetとMoistureのレベルを連結し、それらの関節の変化を応答へのランダムな効果として扱いましたか？ これらの要因が固定効果を生み出すことを期待しませんか？</LI>
<LI>あなたがBlk＃と呼ぶものは実際にはプロット全体ですか？ つまり、これらの実行は、変更が難しい要素を一度リセットしますか？ 次に、それはおそらくモデル内の唯一の変量効果であるはずです。</LI>
<LI>ブレードはプロット全体（変更が難しい）の要因であるように見えますが、同じプロット全体でブレードを-Bと+ Bの両方に設定するにはどうすればよいですか？</LI>
<LI>スクリプトは、固定効果と変量効果の両方に同じ要素を使用していることを示しています。 それは意図的なものですか？</LI>
<LI>プロット全体= 3をすべて失いましたか？</LI>
</UL>
<P>おそらく、このモデルは、より安定した見積もりとして必要な情報を提供します。</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()
);
