Ciao utenti JMP
Sto cercando di valutare l'influenza del sesso (nominale), dell'altitudine (nominale) e della latitudine (nominale) sulla dimensione dell'ala corretta (continua; residuo della dimensione dell'ala per massa corporea) di una specie animale. Ho considerato l'altitudine come un fattore nominale dato che questa particolare specie è distribuita principalmente agli estremi (bassi e alti) di forti dislivelli nella mia area di studio. Ho anche considerato la latitudine come un fattore fisso nominale dato che ho campionato individui solo a tre livelli principali di latitudinale (nord, centro e sud).
Mi è stato suggerito di utilizzare il modello misto lineare per questa analisi. In particolare, considerando sesso, altitudine, latitudine, sesso:latitudine, sesso:altitudine e altitudine:latitudine come fattori fissi e sito di raccolta (nominale) come effetto casuale. Quest'ultimo data la distribuzione in cluster dei siti di raccolta. Tuttavia, ho notato che nonostante la corretta dimensione dell'ala segua una distribuzione normale, viola il presupposto di omoscedasticità tra alcuni gruppi altitudinali/latitudinali. Posso ancora usare il modello misto lineare in jmp? In caso negativo, quale altra opzione posso perseguire per analizzare i miei dati?
Grazie in anticipo per la cortese attenzione.
Innanzitutto, benvenuto nella comunità. Ecco i miei pensieri iniziali (l'analisi dovrebbe sempre seguire questo ordine: Pratico>Grafico>Quantitativo):
1. Traccia i dati. È possibile utilizzare Generatore di grafici o Metodi multivariati>Multivariati per ottenere matrici di grafici a dispersione.
2. Tracciare i dati. Determinare se la variazione nella risposta ha valore pratico (variava abbastanza?)
3. Traccia i dati. L'analisi quantitativa viene utilizzata per supportare le conclusioni dell'analisi grafica. Non ci sono ipotesi richieste per tracciare i dati.
Aggiungendo a @statmans suggerimenti utili,
Mi piace la trama della variabilità,
e mi piace anche guardare dati casuali (dove non dovrebbe essere trovato alcun effetto).
Lo script seguente genererà quei dati.
E segui il percorso dall'analisi semplice (ad es. distribuzione e anche adattamento di y per x) a quella complessa (analisi del modello misto).
Names Default To Here( 1 );
// Generate a data table with random data
doe_obj = DOE(
Full Factorial Design,
{Add Response( Maximize, "size", ., ., . ), Add Factor( Categorical, {"m", "f"}, "sex", 0 ), Add Factor(
Categorical,
{"north", "center", "south"},
"latitude",
0
), Add Factor( Categorical, {"low", "high"}, "altitude", 0 ), Set Random Seed( 35445577 ), Make Design, Replicates( 10 ), Simulate Responses( 0 ),
Set Run Order( Randomize )}
);
dt = doe_obj << Make Table;
doe_obj << close window;
// generate random response
dt:size << set Formula( Random Normal() );
// Variability chart
dt << Variability Chart( Y( :size ), X( :sex, :latitude, :altitude ) )
