Salut les utilisateurs de JMP
J'essaie d'évaluer l'influence du sexe (nominal), de l'altitude (nominale) et de la latitude (nominale) sur la taille des ailes corrigée (continue ; résiduel de la taille des ailes par masse corporelle) d'une espèce animale. J'ai considéré l'altitude comme un facteur nominal étant donné que cette espèce particulière est principalement répartie aux extrémités (basse et haute) des fortes pentes d'élévation dans ma zone d'étude. J'ai également considéré la latitude comme un facteur fixe nominal étant donné que j'ai échantillonné les individus uniquement à trois niveaux latitudinaux principaux (nord, centre et sud).
Il m'a été suggéré d'utiliser un modèle mixte linéaire pour cette analyse. Plus précisément, en considérant le sexe, l'altitude, la latitude, le sexe : latitude, le sexe : altitude et l'altitude : latitude comme facteurs fixes, et le site de collecte (nominal) comme effet aléatoire. Cette dernière compte tenu de la répartition groupée des sites de collecte. Cependant, j'ai remarqué que même si la taille des ailes corrigée suit une distribution normale, elle viole l'hypothèse d'homoscédasticité parmi certains groupes d'altitude/latitudinale. Puis-je toujours utiliser un modèle mixte linéaire dans jmp ? Si non, quelle autre option puis-je suivre pour analyser mes données ?
Merci d'avance pour votre aimable attention.
Ajout à @statmans de suggestions utiles,
J'aime le tracé de variabilité,
et j'aime aussi regarder des données aléatoires (où aucun effet ne devrait être trouvé).
Le script ci-dessous générera ces données.
Et suivez le chemin de l'analyse simple (par exemple, distribution et ajustement de y par x) à l'analyse complexe (analyse de modèle mixte).
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 ) )Tout d’abord, bienvenue dans la communauté. Voici mes premières réflexions (l'analyse doit toujours suivre cet ordre : Pratique>Graphique>Quantitatif) :
1. Tracez les données. Vous pouvez utiliser Graph Builder ou Méthodes multivariées> Multivariée pour obtenir des matrices de nuages de points.
2. Tracez les données. Déterminer si la variation de la réponse a une valeur pratique (a-t-elle suffisamment varié ?)
3. Tracez les données. L'analyse quantitative est utilisée pour étayer les conclusions de l'analyse graphique. Aucune hypothèse n’est requise pour tracer les données.
