Modellauswahl für geplante Experimente mit BlöckenManchmal werde ich gefragt, wie man aus Experimenten mit Blöcken das „beste“ Modell auswählt. Wir empfehlen, Blöcke als zufällige Effekte zu modellieren. Das bedeutet, dass Sie für die Modellauswahl keine schrittweisen oder generalisierten Regressionspersönlichkeiten verwenden können, da diese nur feste Effekte unterstützen.
In diesem Video spreche ich über:
- Warum wir Experimente blockieren
- Feste versus zufällige Effekte
- REML-Modellierung
- Modellauswahlstrategien mit Zufallseffekten
Betreff: Modellauswahl für geplante Experimente mit BlöckenHallo @mjz5448 ,
Es wird empfohlen, den Blockeffekt beizubehalten. Dies liegt daran, dass er die statistischen Signifikanztests Ihrer Faktoreffekte beeinflusst. Es gibt Fehler, die korrekt dem Block zugeordnet werden, und Sie möchten nicht, dass dieser den geschätzten Fehler für die Faktoreffekte „verfälscht“. Ich hoffe, das ist verständlich. In den meisten Fällen wird es keinen großen Unterschied für Ihre Schlussfolgerungen machen.
Phil
Betreff: Modellauswahl für geplante Experimente mit BlöckenDanke @Phil_Kay ,
Wollen Sie also damit sagen, dass der Grund für das Belassen eines nicht signifikanten Blockeffekts in einem Modell im Gegensatz zu einem nicht signifikanten Faktoreffekt darin liegt, dass Sie sich sicherer (oder vielleicht 100 % sicher?) sind, dass Sie dem Block einen bestimmten Fehlerbetrag zuschreiben können, während dies bei Haupteffekten oder Termen höherer Ordnung aufgrund von Störeffekten usw. mehrdeutiger wird?
Betreff: Modellauswahl für geplante Experimente mit Blöcken@mjz5448 – so ungefähr. Wir wissen, dass es aufgrund von Änderungen zwischen Blöcken eine Fehlerquelle gibt. Daher sollten wir den Blockeffekt berücksichtigen, um diese Fehlerquelle zu erfassen, auch wenn er sich als nicht statistisch signifikant erweist. Dies bedeutet, dass wir die beste Fehlerschätzung für Signifikanztests unserer Faktoreffekte haben. Ein weiterer sehr guter Grund für die Berücksichtigung des Blockeffekts ist, dass @Mark_Bailey dies empfiehlt. Das ist für mich immer ein guter Grund!:)
