Zufälliger Effekt für die Split-Plot-Design-AnalyseIch habe eine Frage zum Zufallseffekt für die Analyse des Split-Plot-Designs. Ich hoffe, jemand kann helfen, ihn zu erklären.
Lassen Sie mich JMP-Beispieldaten verwenden, zum Beispiel „Animals.jmp“.
Wenn wir Subjekt [Spezies] als zufälligen Effekt betrachten, zeigen die Schätzungen der REML-Varianzkomponenten, wie das Skript „Repeated Measures Model“ im Skriptbereich des Anhangs zeigt, dass der Subjektfaktor kein signifikanter Effektfaktor für Meilen ist.
Wenn wir jedoch das Modell als grundlegendes Regressionsmodell betrachten, wie das Skript "Basismodell" im Skriptbereich der angehängten Datei.
Das Ergebnis zeigt, dass die Subjektfaktor-Effektmeilen signifikant sind.
Was ist der Grund für die unterschiedlichen Schlussfolgerungen zwischen diesen beiden Modellen?
Betreff: Zufallseffekt für die Split-Plot-Design-AnalyseIch stimme beiden zu @Phil_Kay Und @DonMcCormack . Ich wollte nur darauf hinweisen, dass Joint Factor Tests aus dem Grundmodell zeigen, dass das Thema nicht signifikant ist.
Betrachtet man die Ergebnisse, so ist die Art sowohl im Zufallseffektmodell als auch im Basismodell ein signifikanter Faktor. Dies könnte erklären, warum Subjekt[Art] nach Kontrolle der Art und Jahreszeit keine signifikante Quelle für zufällige Variabilität ist.
Betreff: Zufallseffekt für die Split-Plot-Design-AnalyseZusätzlich zu @Phil_Kay 's Antwort, der Zweck des Subjektbegriffs besteht lediglich darin, die Variation innerhalb der Art zu erfassen, damit sie zum Testen auf einen statistischen Unterschied verwendet werden kann, und nicht, um nach Subjekt-zu-Subjekt-Unterschieden zu suchen. Darüber hinaus wird bei der Behandlung des Subjekts als fester Effekt nicht nur davon ausgegangen, dass es nur drei (Behandlungsstufen) gibt, sondern dass Subjekt 1 für FOX dasselbe (Behandlung) ist wie Subjekt 1 für COYOTE.
Betreff: Zufallseffekt für die Split-Plot-Design-AnalyseHallo @Eric_Wang ,
Die beiden Modelle sind sehr unterschiedlich, daher sollten Sie mit unterschiedlichen Schlussfolgerungen rechnen. Sie basieren auf unterschiedlichen Annahmen über die Prozesse, die die Daten generieren.Sie machen unterschiedliche Annahmen darüber, woher die Varianz kommt.
Ein großer Unterschied besteht darin, dass „Subject“ im grundlegenden Regressionsmodell nicht in „Species“ verschachtelt ist. Das bedeutet, dass es nur 3 Fächer gibt. Es gibt tatsächlich 6 Themen: 3 für jede der 2 Arten. Ich vermute, dass dies ein großer Teil des Grundes für den Unterschied ist. Aber es ist sicherlich nicht der einzige Grund.
Dies verdeutlicht die Notwendigkeit gemischter Modelle in Fällen, in denen ein Standardmodell mit festen Effekten nicht geeignet ist. Die Schlussfolgerungen sind irreführend, wenn ein ungeeignetes Modell verwendet wird.
Ich bin sicher, die JMP für gemischte Modelle Buch würde mehr Erklärungen dazu liefern.
Ich hoffe das hilft,
Phil
