487325_de-DE

liliconcom

Testen auf einen Varianzunterschied in einer Variablen, wenn es einen Zufallseffekt gibt

Verwenden von "Modell anpassen" Ich prognostiziere meine abhängige Variable mit einer dichotomen nominalen Variablen "Typ" sowie einer Variablen "Stichprobe", die ein zufälliger Effekt ist (in der JMP-Sprache, das heißt, einige würden "Stichprobe" lieber als Zufallsvariable bezeichnen).Dies testet, ob sich die beiden "Typen" auf meinem DV unterscheiden, wobei wiederum berücksichtigt wird, dass "Sample" ein zufälliger Effekt ist.

 

Interessanterweise sind die Stichprobenmittelwerte für einen „Typ“ viel breiter gestreut als die Stichprobenmittelwerte für den anderen „Typ“. Ich kann mit einem F-Test einen Signifikanztest auf die Differenz der Varianzen durchführen, wenn ich bereit bin, nur die Mittelwerte der Stichprobe zu verwenden. Das ist aber nicht ganz koscher, denn die Stichprobenmittelwerte werden mit Fehlern geschätzt, und das sollte idealerweise berücksichtigt werden. Ich kann aber nicht herausfinden, wie man das macht. Vielleicht hat "Mixed Models" diese Fähigkeit. (Ich habe JMP Pro 16.)

 

Dies ist wahrscheinlich ein bisschen "im Unkraut" für diese Gruppe, aber wenn jemand eine Idee hat, wäre ich dankbar. Ich hänge ein paar Daten an. DV = Paraphilie-Vektor 1, Typ ist der interessierende Prädiktor und Stichprobe ist der zufällige Effekt.

AnalytikBetreff: Testen auf einen Unterschied in der Varianz einer Variablen, wenn es einen Zufallseffekt gibt

Ich bin mir nicht sicher, warum Sie sagen, dass Sample eine Zufallsvariable ist. Sie haben jeder Beobachtung bestimmte Ebenen (Klassen) zugeordnet. Die Stichprobe kann zufällig sein, aber die Ebenen sind es nicht.

 

Sie können Modell anpassen verwenden, um das Modell zu definieren und die Anpassungspersönlichkeit zu ändern Loglineare Varianz . Deine Daten sind wohl keine Voraussetzungen für mehr als ein einfaches Haupteffektmodell. Ich habe Sample als Location-Effekt und Type als Spread-Effekt zugewiesen. Ich konnte Typ nicht als Positionseffekt einbeziehen, da er mit Muster verwechselt wird. Berücksichtigung beider Variablen als Standorteffekte.

 

 

Aber ich kann Type als Spread-Effekt einbeziehen, um Ihre Hypothese zu testen.

 

 

Das geschätzte Modell aus dieser Spezifikation weist keine grundlegenden Probleme auf, aber es könnte immer noch unbefriedigend sein.

 

 

Es scheint, dass die Varianz für die beiden Ebenen des Typs signifikant unterschiedlich ist.