反復測定因子による分散分析こんにちは、
私が行った実験の結果を分析するためのモデルを構築したいと思います。実験の構造は図のとおりです。 
私には 2 つの治療法があり、それぞれの治療法には 5 つの巣箱が含まれており、それぞれの巣箱から 6 匹のミツバチを選び、それぞれのミツバチに 8 回の試行を行うタスクを与えました。
各試行を実行するのに必要な時間を測定しました。
私は、ミツバチと巣箱をランダム効果、各試行を反復測定、さらにはすべてのミツバチを巣箱の反復測定と見なしています (どのように対処すればよいかわかりません)。
適切なモデルを構築するためのアドバイスをいただければ幸いです。そうであれば、MANOVA は使用したくありません。
ありがとう。
基本的なデータ分析とモデリング品質およびプロセスエンジニアリング結果の共有と伝達Re: 反復測定因子を使用した ANOVAお知らせいただきありがとうございます。 @ron_horneこのデータは興味深いです。 トライアルIDに意味があるのか気になります。 数値、連続として扱われる「試行」を使用して、変更されたデータ テーブルを添付します。 time7 と time6 の差を計算する列を 1 つ追加しました。 4 つのグラフ ビルダー スクリプトを追加しました。
これは最初のプロット、time6 対トライアル ID で、蕁麻疹ごと、治療ごとに色分けされています。
以下は 2 番目のプロットです。 同じことですが、すべてのミツバチに単純な直線を当てはめました。
トライアル ID が実際に順序を意味する場合、これらは興味深いプロットです。 それらは、「一般的に試行から試行へと学習があるように見える」という意味を表しているのかもしれません。 賢い蜂:)
Re: 反復測定因子を使用した ANOVAやあ@エレズ、
過去に私たちはこの議論をしました反復測定生存分析
手元のデータをどのように見るかによっては、役立つ洞察が得られる場合があります。
さらに、データをカウント (花の数) として分析することも有用でしょうか?それはおそらく持っているでしょうかポアソン分布? ガンマ分布？
多分@peng_liuこれを調べる便利な方法があります。
Re: 反復測定因子を使用した ANOVAみんなありがとう、あなたのアドバイスは私に大いに役立ちます（特にビクター_G私は JMP の専門家ではないので、彼の手順を強調しています)。
ミツバチがタスクを完了することについては、詳細を説明する必要があります。
ミツバチは8つの造花を持って部屋に入り、すべての花に訪問を定義しましたタスクの成功として。
最初の花を見つけることはほとんどすぐに行われます。最後の花を見つけることは最も困難です。これは、ミツバチがすでに訪れた花に到達する可能性が高いためです (各花の報酬の量は非常に小さいため、ミツバチは最終的巣に戻る前にすべての花を通過します）。
すべてのイベントが記録されるので、ミツバチがいつ最初に到達したかを知ることができます花、秒など
最後の花にたどり着くのが一番難しいので、途中で「ノイズ」が多くなります。測定.
最初に提供したデータは、花番号 7 に到達するのにかかった時間を示しています。今花6に到達する時間も追加しました。
一般にそうみたいです試行から試行への学習があること。
治療法に違いがあるかどうかを調べたいと思っています。違いは、タスクを完了するのに必要な時間、またはグループ間の分散の違いである可能性があります（何を探すべきかについてのあなたの提案かもしれません）。
感謝。
Re: 反復測定因子を使用した ANOVAやあ@エレズ、
ケースに関する包括的な情報を提供していただきありがとうございます。これは、コミュニティから適切な回答を得るのに大いに役立ちます。
以前の回答に加えて、データをより複雑なモデルに入れる前に、データを視覚的にいじるのが好きです (y を x で合わせる、つまり、他のすべての列で時間を表すなど)。
私には、試行時間に明確な依存関係があるように見えます。つまり、学習曲線があるということです。 したがって、これは同じ期待値での単なる繰り返し測定ではありません。 トライアルをモデルに入れるか、最後の 3 つのトライアルをフィルタリングして、訓練されたミツバチなどの結果を評価するオプションである場合があります。
Re: 反復測定因子を使用した ANOVAやあ@エレズ、
最初の試みとしてこれを試すことができます：完全実施要因反復測定 ANOVA アドイン
そうでなければ、動物がタスクを実行する時間を測定した私の経験から、常に分布の問題があります。キャップされていますか？彼らはすべてタスクを完了しましたか? 「イベントの時間」として扱いますか？
正しい方向に進んでいるかどうかお知らせください。
ロン
Re: 反復測定因子を使用した ANOVAやあ@エレズ、
モデルを構築する前に最初に良いことは、試験の再現性/再現性を評価し、信号が測定の「ノイズ」よりも重要かどうかを確認することだと思います.
プラットフォームの「Variability Gauge Chart」(スクリプト 1.、「bee」を「Part、Sample ID」、「治療」と「hive」を「X、Grouping」変数、「時間」) で結果を見ると、 "Y, Response" としてモデル タイプとして Nested を選択すると、非常に興味深い情報がいくつか表示されます。
- 分散成分を見ると、変動性の 58% は再現性から、25.6% は部品間 (ハチ) から、16.4% は再現性から生じます。 これは、測定値に大きなばらつきがあることを示す最初の兆候です。
- 分散検定の異質性を見ると、「治療」は治療 1:1 か 5:1 かによって分散が異なることがわかります。 そのため、後でここで検索するものがあるかもしれません。
- Gauge R&R Mean Plot を見ると、治療に応じて時間がわずかに増加することがわかります。 ここで検索すると何か面白いかもしれないというもう 1 つの手がかり。
ここで「Fit Y by X」プラットフォームを見て、ミツバチの反応時間が処理によって異なるという仮説を試すことができます。 ここには 2 つのオプションがあります。
- 時間を Y、処理を X として分析を行い (スクリプト 2.1)、分散が等しい (等しくない) ことを確認し、分布が正規分布していないためノンパラメトリック検定を選択して終了します。有意な p 値を示す Wilcoxon 検定にアップ : 治療によって時間に有意差があります。
- log(time) を Y、処理を X として分析を行います (スクリプト 2.2)。今回の分散は同等で、分布は正規分布であるため、スチューデントの t 検定を実行すると、有意な p 値が再び表示されます。
これらの最初の分析は、プロセス全体のモデル化を開始する前に役立つと思います。
説明した分析を行うために、スクリプトを JMP データ テーブルに保存しました。
これがプロジェクトの開始に役立つことを願っています。
