Ich habe das Verhalten von Tieren etwa 37 Stunden lang in 20 Tagen untersucht und sie dabei fünf verschiedenen „Behandlungen“ ausgesetzt. Die Behandlungen hatten unterschiedliche Strukturen und ich wollte sehen, wie sie diese verwendeten, insbesondere wie oft sie sie verwendeten. Ich würde die „Behandlung“ alle zwei Tage wechseln, also insgesamt zwei Versuche pro Behandlung. Es gab insgesamt 10 Probanden, die der Behandlung nicht für die gleiche Zeitspanne ausgesetzt waren (einfach, weil sie nicht immer verfügbar waren) und ich die Behandlungen nicht für die gleiche Zeitdauer durchgeführt hatte (d. h. wetterbedingt). Veranstaltungen).
Ich möchte die durchschnittliche Ereignisrate (nennen wir sie Kreuzungsereignisse) zwischen den Behandlungen vergleichen und sehen, ob zwischen diesen ein statistisch signifikanter Unterschied besteht. Ich habe die Ereignisrate unter der Voraussetzung berechnet, dass die Behandlungen nicht über die gleiche Zeitspanne hinweg getestet wurden und die Probanden den Behandlungen auch nicht über die gleiche Zeitspanne ausgesetzt waren.
Ho: Die durchschnittliche Kreuzungsrate ist bei jeder Behandlung gleich.
Ha: Die durchschnittliche Kreuzungsrate ist nicht bei jeder Behandlung gleich.
Ich habe meine Daten folgendermaßen organisiert, um Mittelwerte zu vergleichen (dies ist nur ein kurzes Beispiel, keine echten Daten):
| Tag | Behandlung | Veranstaltungen | Zeiterfassung (Minuten) | Häufigkeit der Ereignisse |
| 1 | A | 3 | 85 | 0,035 |
| 2 | A | 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 | A | 0 | 200 | 0,00 |
| 8 | A | 2 | 110 | 0,018 |
| 9 | D | 6 | 120 | 0,05 |
| 10 | D | 5 | 105 | 0,047 |
Da ich fünf Mittelwerte zum Vergleich habe, habe ich beschlossen, 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. Informationen zu Tests finden Sie in statistischen Tabellen, nicht in der Näherung für große Stichproben.“ Sollte ich meine Daten anders organisieren? Zum Beispiel nach Studienfach statt Kreuzungen nach Tag? Das würde mir etwa 50 Datenzeilen ergeben und diese einzelnen Variationen einbeziehen, anstatt alles pro Tag zusammenzufassen. Soll ich mich einfach an statistischen Tabellen orientieren? Ich frage mich, was der beste Ansatz dafür wäre.
Danke schön! Lassen Sie mich wissen, wenn Sie Fragen haben.
Ebenso zeigt ein Streudiagramm des Ereignisses pro Zeit gegenüber der Behandlung keinen eindeutigen Effekt.
Dies scheint ein klassischer Fall für eine logarithmisch-lineare Poisson-Regression zu sein. JMP stellt dies über ein verallgemeinertes lineares Modell (GLM) bereit. Sie modellieren die Anzahl der Ereignisse direkt. Ich habe Ihre Daten in eine JMP-Datentabelle kopiert.
Der Zeitpunkt der Beobachtung variierte für jede Behandlung. Diese Variation wird als „Opportunität“ bezeichnet und mit einem Offset modelliert. Der Offset ist das Log(Opportunity).
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 (Whole Model Test und Effect Tests) nicht signifikant. 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 eine mangelnde Anpassung hinweist. Möglicherweise lauerten Variablen, die sich mit den Behandlungen veränderten.
