Analizar el diseño de 2 factores y 2 niveles como si fueran 4 diseños de tratamiento diferentes¡Hola!
Simplemente curioso por qué vemos resultados diferentes en tales casos.
Aquí tenemos un diseño factorial clásico de 2 factores y 2 niveles que podemos analizar usando regresión nominal / regresión logística.
El análisis muestra que solo la interacción es significativa:
Sin embargo, si transformamos estos datos como si hubiera 4 factores A1, B1, C (A1 * B1), D (A0 * B0),
¿Entonces veremos que los efectos principales son significativos?
¿Cómo podemos explicar e interpretar esto?
PD
Los conjuntos de datos están en archivos adjuntos. Estos resultados son de experimentos reales.
GAMARe: Analizar el diseño de 2 factores y 2 niveles como si fueran 4 diseños de tratamiento diferentesRealmente no tienes cuatro factores. Su construcción sobreespecifica el modelo, por lo que JMP pone a cero arbitrariamente el último 'factor' e indica que los tres primeros están sesgados.
El equivalente a dos factores de dos niveles sería un factor de cuatro niveles, no cuatro factores de dos niveles.
Re: Analizar el diseño de 2 factores y 2 niveles como si fueran 4 diseños de tratamiento diferentesSí, como dice Mark ... tienes 3 grados de libertad en 4 tratamientos.
Re: Analizar el diseño de 2 factores y 2 niveles como si fueran 4 diseños de tratamiento diferentesLo siento.
He corregido el archivo a 1 factor de 4 niveles. Ahora muestra que el nivel A (que es el factor A) es significativo:
