Ich habe in 20 Tagen ungefähr 37 Stunden lang das Verhalten von Tieren untersucht, während ich sie 5 verschiedenen "Behandlungen" ausgesetzt habe. Die Behandlungen waren unterschiedliche Strukturen und ich wollte sehen, wie sie diese verwendeten, insbesondere wie oft sie sie verwendeten. Ich würde die "Behandlung" alle zwei Tage für insgesamt zwei Versuche pro Behandlung ändern. Es gab insgesamt 10 Studienteilnehmer und sie wurden der Behandlung nicht für die gleiche Zeit ausgesetzt (einfach weil sie nicht immer verfügbar waren) und ich hatte die Behandlungen nicht für die gleiche Zeit (dh wetterbedingt) Veranstaltungen).
Ich möchte die durchschnittliche Ereignisrate (nennen wir sie Crossing-Ereignisse) unter Behandlungen vergleichen und sehen, ob es einen statistisch signifikanten Unterschied zwischen diesen gibt. Ich berechnete die Ereignisrate unter der Voraussetzung, dass die Behandlungen nicht über den gleichen Zeitraum untersucht wurden und die Studienteilnehmer den Behandlungen auch nicht über den gleichen Zeitraum ausgesetzt waren.
Ho: Die durchschnittliche Kreuzungsrate ist für jede Behandlung gleich.
Ha: Die durchschnittliche Kreuzungsrate ist nicht für jede Behandlung gleich.
Ich habe meine Daten so organisiert, um Mittelwerte zu vergleichen (dies ist nur ein kurzes Beispiel, keine echten Daten):
| Tag | Behandlung | Veranstaltungen | Abtastzeit (Minuten) | Rate der Ereignisse |
| 1 | EIN | 3 | 85 | 0,035 |
| 2 | EIN | 2 | 60 | 0,033 |
| 3 | B | 0 | 75 | 0,00 |
| 4 | B | 7 | 115 | 0,06 |
| 5 | C | 12 | 125 | 0,096 |
| 6 | C | 1 | 90 | 0,011 |
| 7 | EIN | 0 | 200 | 0,00 |
| 8 | EIN | 2 | 110 | 0,018 |
| 9 | D | 6 | 120 | 0,05 |
| 10 | D | 5 | 105 | 0,047 |
Da ich fünf Mittel zum Vergleichen habe, habe ich mich entschieden, einen Kruskal-Wallis-Test durchzuführen (meine Daten sind nicht normalverteilt) und die Bonferroni-Korrektur zu verwenden. Wenn ich dies jedoch ausführe, heißt es "kleine Stichprobengrößen. Beziehen Sie sich auf statistische Tabellen für Tests und nicht auf Näherung mit großen Stichproben." Sollte ich meine Daten anders organisieren? Zum Beispiel nach Studienfächern statt Überfahrten am Tag? Das würde mir ungefähr 50 Datenzeilen geben und diese individuelle Variation einschließen, anstatt alles für den Tag zusammenzufassen. Soll ich einfach nach statistischen Tabellen gehen? Ich frage mich, was dafür der beste Ansatz wäre.
Vielen Dank! Lassen Sie mich alle Fragen wissen.
Dies scheint ein klassischer Fall für eine log-lineare Poisson-Regression zu sein. JMP stellt es über ein generalisiertes lineares Modell (GLM) bereit. Sie modellieren die Anzahl der Ereignisse direkt. Ich habe Ihre Daten in eine JMP-Datentabelle kopiert.
Die Beobachtungszeit variierte für jede Behandlung. Diese Variation wird als „Opportunity“ bezeichnet und mit einem Offset modelliert. Der Offset ist das Protokoll (Gelegenheit).
Wählen Sie dann Analysieren > Modell anpassen und ändern Sie das Startdialogfeld so, dass es wie dieses aussieht.
Hier sind die Ergebnisse der Regression.
Die Wirkung der Behandlungen ist bei Alpha = 0,05 nicht signifikant (Gesamtmodelltest und Wirkungstests). Die „Überstreuung“ ist signifikant, was bedeutet, dass die Varianz größer ist als für eine Poisson-Verteilung der Antwort erwartet. Die Abweichung ist ebenfalls signifikant, was auf mangelnde Passform hindeutet. Es könnte lauernde Variablen geben, die sich mit den Behandlungen änderten.
