Hola usuarios de JMP
Estoy tratando de evaluar la influencia del sexo (nominal), la altitud (nominal) y la latitud (nominal) en el tamaño del ala corregido (continuo; residual del tamaño del ala por masa corporal) de una especie animal. Consideré la altitud como un factor nominal dado el hecho de que esta especie en particular se distribuye principalmente en los extremos (bajo y alto) de los gradientes de elevación pronunciados en mi área de estudio. También consideré la latitud como un factor fijo nominal dado que he muestreado individuos solo en tres niveles latitudinales principales (norte, centro y sur).
Me han sugerido que utilice el modelo mixto lineal para este análisis. En concreto, considerando sexo, altitud, latitud, sexo:latitud, sexo:altitud y altitud:latitud como factores fijos, y el lugar de recogida (nominal) como efecto aleatorio. Esto último dada la distribución agrupada de los sitios de colecta. Sin embargo, noté que a pesar de que el tamaño del ala corregido sigue una distribución normal, viola la suposición de homocedasticidad entre algunos grupos altitudinales/latitudinales. ¿Todavía puedo usar el modelo mixto lineal en jmp? Si no, ¿qué otra opción puedo seguir para analizar mis datos?
Gracias de antemano por su amable atención.
Primero, bienvenido a la comunidad. Aquí están mis pensamientos iniciales (el análisis siempre debe seguir este orden: Práctico>Gráfico>Cuantitativo):
1. Trazar los datos. Puede usar Graph Builder o Métodos multivariados>Multivariados para obtener matrices de diagramas de dispersión.
2. Trazar los datos. Determine si la variación en la respuesta tiene valor práctico (¿varió lo suficiente?)
3. Trazar los datos. El análisis cuantitativo se utiliza para respaldar las conclusiones del análisis gráfico. No se requieren suposiciones para graficar los datos.
Agregando a las sugerencias útiles de @statmans,
Me gusta el gráfico de variabilidad,
y también me gusta mirar datos aleatorios (donde no se debe encontrar ningún efecto).
El siguiente script generará esos datos.
Y siga el camino desde el análisis simple (p. ej., distribución y también ajuste y por x) hasta el complejo (análisis de modelo mixto).
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 ) )
