Buena explicación @HadleyMyers ! El anidamiento de unidades experimentales es un concepto sutil, pero es crucial para la correcta especificación del modelo.
Una sutileza adicional: si la columna Parte contiene identificadores únicos para las seis partes (es decir, 1 a 6 en lugar de 1 a 3), entonces la especificación de anidamiento es innecesaria. ¡Pero tampoco haría daño a nada!
Repita cualquier cosa suficientes veces y se vuelve sin sentido. El uso repetido de la palabra "mañana" en la primera línea presagia la conclusión del famoso soliloquio en el que Macbeth, al enterarse de la muerte de su esposa, busca en la totalidad del universo temporal (desde "todos nuestros ayeres" hasta " la última sílaba del tiempo registrado”) por el significado de la vida y no encuentra nada. Años más tarde, Andy Warhol se hizo eco de este tema al demostrar que cualquier imagen, por muy familiar o icónica que sea, también puede perder sentido a través de una repetición interminable.
Muchas personas luchan con el mismo fenómeno en sus datos. El efecto de un tratamiento se puede probar fácilmente tomando un solo conjunto de medidas y analizando los resultados usando un ANOVA de una vía para evaluar la importancia del efecto entre grupos. El problema ocurre cuando estas mediciones se repiten, lo que complica el análisis (piense en pruebas de medicamentos, donde los sujetos se prueban diariamente durante la duración de la prueba, o el rendimiento a lo largo del tiempo de los productos producidos en diferentes máquinas).
Hay una gran publicación sobre este tema en las notas de soporte de JMP titulada " Análisis de datos de medidas repetidas en el software JMP , en el que se discuten tres enfoques. El propósito de esta publicación es desmitificar las medidas repetidas utilizando el diagrama dividido univariado Acercarse.
El siguiente ejemplo (Figura 1) consta de tres partes, cada una medida usando una de dos máquinas por cuatro operadores que registran el resultado en Y . En este caso, no hay variable de tiempo en absoluto; el componente de medidas repetidas proviene de cada parte que se mide un total de cuatro veces. Aquí, estamos tratando de responder a la pregunta de si Operador o Máquina , o ambos, tienen un efecto significativo en el valor de Y .
Figura 1: Tabla de datos de medidas repetidas; tres partes hechas en dos máquinas (6 partes en total), cada una medida repetidamente por cuatro operadores.
Podemos usar mínimos cuadrados estándar para responder estas preguntas. La forma de hacerlo es construir un modelo que incluya Máquina, Operador y la interacción de Máquina y Operador. También podemos incluir Parte en el modelo para garantizar que cualquier variación debida a diferencias en las partes se tenga en cuenta y no se incluya en los otros efectos. Configurarlo como una variable aleatoria garantiza que la variación debida a la parte no se trate como específica de estas partes en particular, sino de todas las partes en general (consulte la Figura 2). De esta manera, la parte define el lotes de un diseño de parcelas divididas, con Máquina tomando el papel de la variable difícil de cambiar.
Figura 2: ventana de diálogo Ajustar modelo.
Sin embargo, esto pasa por alto un elemento crucial de la historia: las tres partes medidas con la Máquina A no son las mismas partes medidas con la Máquina B.Son simplemente el orden de las partes medidas en cada máquina (las primeras tres partes en A y las primeras tres partes en 
. Para que esto quede claro, es necesario nido Pieza en Máquina, como en la Figura 3. Configurar el efecto de esta manera asegura que el software sepa que "las partes son diferentes cuando la máquina es diferente".
Figura 3: ventana de diálogo Ajustar modelo, con la variable aleatoria Parte anidada en Máquina.
Los resultados del Resumen de efectos (Figura 4) indican que las mediciones son significativamente diferentes para los diferentes operadores, así como para las máquinas. Sin embargo, no parece importar qué operador usa qué máquina, ya que el efecto de interacción de los dos está por encima de los criterios de importancia (aunque podríamos hacer que prueben algunas partes más para estar seguros).
Figura 4: Los efectos de Operador y Máquina en Y son significativos (PValor por debajo de 0,05), pero la interacción entre los dos no lo es.
Al analizar sus datos de medidas repetidas en JMP , evitas el fenómeno descrito anteriormente y te aseguras de que tus datos no pierdan sentido.
