Hallo!
Nur neugierig, warum wir in solchen Fällen unterschiedliche Ergebnisse sehen.
Hier haben wir ein klassisches 2-Faktor-2-Level-Fakultätsdesign, das wir mithilfe der nominalen Regression / logistischen Regression analysieren können.
Die Analyse zeigt, dass nur die Interaktion von Bedeutung ist:
Wenn wir diese Daten jedoch so transformieren, als gäbe es 4 Faktoren A1, B1, C (A1 * B1), D (A0 * B0),
dann werden wir sehen, dass die Haupteffekte signifikant sind?
Wie können wir das erklären und interpretieren?
PS
Datensätze befinden sich in Anhängen. Diese Ergebnisse stammen aus echten Experimenten.
Sie haben nicht wirklich vier Faktoren. Ihre Konstruktion gibt das Modell zu stark an, sodass JMP den letzten 'Faktor' willkürlich auf Null setzt und anzeigt, dass die ersten drei voreingenommen sind.
Das Äquivalent zu zwei zweistufigen Faktoren wäre ein vierstufiger Faktor, nicht vier zweistufige Faktoren.
Ja, wie Mark sagt ... Sie haben 3 Freiheitsgrade in 4 Behandlungen.
Es tut mir leid.
Ich habe die Datei auf 1-Faktor 4-Level korrigiert. Jetzt zeigt es, dass Stufe A (welches Faktor A ist) signifikant ist:
