Problème : Nous avons observé le comportement erratique d'un modèle à parcelles séparées lorsqu'il est exécuté avec différents sous-ensembles de nos données. Pour deux des six colonnes de variable de réponse, le script produit des sorties incorrectes pour le facteur aléatoire dans le modèle. Plus précisément, le facteur aléatoire représente 0% de la variance totale dans le tableau des estimations de la composante de variance REML, et le tableau des moyennes des moindres carrés affiche une colonne de moyennes mais pas d'erreurs types.
Nous avons vérifié les propriétés de la colonne et remplacé les données dans les colonnes problématiques, en vain. Deux éléments de preuve suggèrent que ce comportement n'est pas dû à une erreur de script:
- Le script fonctionne correctement sur les quatre autres colonnes de variables de réponse
- Un modèle réduit, comprenant uniquement le facteur aléatoire et les colonnes de données problématiques, produit une sortie incorrecte pour l'une des variables de réponse, tandis que pour l'autre variable, la sortie semble être correcte
Nous incluons un bref résumé de notre conception expérimentale et de notre approche d'analyse, ainsi que des exemples des données problématiques, des scripts utilisés et de la sortie du modèle. Nous joignons également un pdf montrant le script et la sortie des modèles réduits décrits ci-dessus.
Merci pour toute aide dans la résolution de ce puzzle!
Conception expérimentale : Une expérience écologique sur le terrain consistant en quatre (ou trois) blocs spatialement définis (répliques) auxquels 3 facteurs ont été assignés au hasard dans un plan à parcelles séparées. À l'échelle de l'intrigue,
deux facteurs à deux niveaux - élimination de la patelle (+/-) et ajout d'humidité (+/-), tous deux relativement difficiles à changer - ont été assignés au hasard à quatre parcelles dans chaque bloc. À l'échelle de la sous-parcelle, l'enlèvement des lames (lames +/-) a été assigné au hasard à deux sous-parcelles dans chaque parcelle entière (voir exemple de disposition ci-dessous).
Exemple de jeu de données
Blk # | Boiter | Humide | Lames | 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 |
Une analyse . Pour simplifier l'analyse, nous avons choisi de modéliser les quatre combinaisons de traitement de la parcelle entière comme 4 niveaux d'un seul facteur (Concaténer [Limp, Moist] dans le script ci-dessous). Nous prévoyons d'utiliser des tests post-hoc pour distinguer les moyens de traitement. L'effet aléatoire (terme d'erreur pour le tracé entier) est une concaténation des codes de bloc, de patelle et d'humidité (c'est-à-dire: Name ("Concatenate [Blk #, Limp, Moist]") [: Blk #], ci-dessous).
Exemple de script pour le modèle complet .
</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>Sortie partielle pour le modèle complet</U> .</P><P><STRONG>Estimations des composantes de la variance REML</STRONG> Pour Ja88Apr88 (n = 4 blocs)</P><TABLE><TBODY><TR><TD><P><STRONG>Effet aléatoire</STRONG></P></TD><TD><P><STRONG>Rapport Var</STRONG></P></TD><TD><P><STRONG>Composant Var</STRONG></P></TD><TD><P><STRONG>Erreur std</STRONG></P></TD><TD><P><STRONG>95% plus bas</STRONG></P></TD><TD><P><STRONG>95% supérieur</STRONG></P></TD><TD><P><STRONG>Valeur p Wald</STRONG></P></TD><TD><P><STRONG>Pct du total</STRONG></P></TD><TD> </TD></TR><TR><TD><P>Concaténer [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>Résiduel</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>Total</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>Tests d'effet fixe</STRONG> Pour Ja88Apr88<U> Remarque</U> les degrés de liberté du dénominateur semblent corrects.</P><TABLE><TBODY><TR><TD><P><STRONG>La source</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>Rapport 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>Concaténer [mou, humide]</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>Lames</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>Lames * Concaténées [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>Tableau des moyennes des moindres carrés</STRONG> Pour Ja88Apr88 (n = 4 blocs)</P><TABLE><TBODY><TR><TD><P><STRONG>Niveau</STRONG></P></TD><TD><P><STRONG>Moyenne des moindres carrés</STRONG></P></TD><TD><P><STRONG>Erreur std</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>Tableau de données</LINGO-LABEL><LINGO-LABEL>Scripting</LINGO-LABEL></LINGO-LABS><LINGO-SUB id="lingo-sub-328695" slang="en-US">Re: Comportement erratique du modèle de tracé fractionné: données contaminées, erreur de script ou bogue?</LINGO-SUB><LINGO-BODY id="lingo-body-328695" slang="en-US"><P>Permettez-moi de commencer mes commentaires par Je ne comprends pas la situation que vous décrivez d'un point de vue scientifique ou technique, donc mes commentaires peuvent être complètement hors de propos. Il est logique que changer les patelles et l'humidité soit difficile à faire au hasard. Je ne sais pas quelles sont vos hypothèses et je ne comprends pas la variable de réponse ou les facteurs d'ailleurs? J'ai quelques questions concernant votre expérience. La difficulté que j'ai est de comprendre votre plan de conception (basé sur les exemples de données que vous avez fournis):</P><P>1. Cette déclaration n'a aucun sens pour moi: "<SPAN> auquel 3 facteurs ont été assignés au hasard dans un plan à parcelles séparées ". Les conceptions de parcelles séparées restreignent volontairement la randomisation, donc je ne comprends pas ce que vous faites. Dans l'exemple d'ensemble de données, il semble que votre "difficile à changer f</SPAN> les acteurs "changent beaucoup! Le facteur de sous-parcelle ne semble pas changer autant que l'ensemble de vos facteurs de parcelle? Avez-vous l'ordre de passage?</P><P>2. Je ne comprends pas non plus votre utilisation du bloc? Je suppose que vous utilisez les blocs pour obtenir une estimation de l'ensemble des erreurs de l'intrigue? Laissez-moi voir si je comprends ce que vous faites ... Vous exécutez une expérience factorielle 2 ^ 3 dans 4 "emplacements / espaces" (blocs) différents. Dans chaque bloc, vous avez l'intention de restreindre la randomisation sur 2 des 3 facteurs (L et M) dans une matrice factorielle. Cela ressemble plus à un tracé fractionné. J'ai ajouté juste le design dans un fichier jmp pour voir si c'est ce que vous utilisez.</P><P>3. Pourquoi combineriez-vous L & M? Si vous faites cela, vous perdez la capacité de quantifier l'interaction L * M et tout autre effet de second ordre avec L et M? Au lieu de cela, vous pouvez estimer les effets quadratiques et cubiques ???</P><P>4. Votre système de mesure semble avoir un problème de discrimination (il ne semble pas continu). Il n'y a que quelques chiffres disponibles sur l'échantillon de données? S'agit-il des vraies données?</P><P>Matière à réflexion (pardonnez ma randonnée) ... la raison pour laquelle vous devez être conscient et prendre en compte les restrictions sur la randomisation est due au potentiel de changements imprévus dans le bruit au cours de l'expérience, ce qui a un impact sur les erreurs expérimentales et ensuite les tests statistiques. L'idée est que toutes les erreurs du tracé seront différentes des erreurs de sous-tracé et qu'un test de signification différent doit donc être effectué pour chacune. Si lors de la planification de votre expérience, si vous identifiez les variables de bruit et émettez des hypothèses sur les effets de ces variables de bruit, vous pouvez en tenir compte dans la conception de votre expérience (par exemple, qu'est-ce qui change à l'intérieur d'un bloc et qu'est-ce qui change entre un bloc?) . S'il y a très peu de différence entre le bruit changeant au niveau du tracé entier (entre les blocs) et le bruit changeant au niveau du sous-pot, alors la prise en compte de la restriction peut être sans conséquence. Si, cependant, il existe des différences significatives dans le bruit (et donc les erreurs estimées) au niveau de la parcelle entière et le bruit au niveau de la sous-parcelle, alors les tests de signification devraient le refléter.</P><P> </P></LINGO-BODY><LINGO-SUB id="lingo-sub-328867" slang="en-US">Re: Comportement erratique du modèle de tracé fractionné: données contaminées, erreur de script ou bogue?</LINGO-SUB><LINGO-BODY id="lingo-body-328867" slang="en-US"><P>Lisez s'il vous plaît<A href="https://community.jmp.com/t5/user/viewprofilepage/user-id/4358" target="_blank"> @statman</A> la réponse soigneusement.</P>
<P> </P>
<P>Je suis également confus par votre message:</P>
<UL>
<LI>Vous avez concaténé les niveaux de Limpet et d'Humidité, puis traité leurs changements articulaires comme un effet aléatoire sur la réponse? Ne vous attendez-vous pas à ce que ces facteurs produisent des effets fixes?</LI>
<LI>Ce que vous appelez Blk # est en fait toute l'intrigue? Autrement dit, ces exécutions réinitialisent le facteur difficile à changer une fois? Ensuite, cela devrait probablement être le seul effet aléatoire du modèle.</LI>
<LI>Il semble que Blades soit le facteur entier de l'intrigue (difficile à changer), mais comment les lames sont-elles réglées à la fois sur -B et + B dans la même parcelle?</LI>
<LI>Votre script indique que vous utilisez les mêmes facteurs pour les effets fixes et aléatoires. Est-ce intentionnel?</LI>
<LI>Vous avez perdu tout l'intrigue entière = 3?</LI>
</UL>
<P>Peut-être que ce modèle fournira les informations que vous souhaitez sous forme d'estimations plus stables:</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()
);
