Lineares gemischtes Modell – Annahme der Homoskedastizität verletztHallo JMP-Benutzer
Ich versuche den Einfluss von Geschlecht (nominal), Höhe (nominal) und Breitengrad (nominal) auf die korrigierte Flügelgröße (kontinuierlich; Rest der Flügelgröße nach Körpermasse) einer Tierart abzuschätzen. Ich betrachtete die Höhe als einen nominellen Faktor, da diese besondere Art hauptsächlich an den Extremen (tief und hoch) steiler Höhenunterschiede in meinem Untersuchungsgebiet verbreitet ist. Ich betrachtete den Breitengrad auch als einen nominellen festen Faktor, da ich Einzelpersonen nur auf drei Hauptbreitenebenen (Norden, Mitte und Süden) befragt habe.
Mir wurde vorgeschlagen, für diese Analyse das lineare gemischte Modell zu verwenden. Insbesondere werden Geschlecht, Höhe, Breitengrad, Geschlecht:Breitengrad, Geschlecht:Altitude und Höhe:Breitengrad als feste Faktoren und der Sammelort (nominal) als zufälliger Effekt berücksichtigt. Letzteres angesichts der gehäuften Verteilung der Sammelstellen. Mir ist jedoch aufgefallen, dass die korrigierte Flügelgröße trotz einer Normalverteilung die Annahme der Homoskedastizität bei einigen Höhen-/Breitengruppen verletzt. Kann ich in jmp weiterhin ein lineares gemischtes Modell verwenden? Wenn nicht, welche andere Möglichkeit kann ich zur Analyse meiner Daten nutzen?
Vielen Dank im Voraus für Ihre freundliche Aufmerksamkeit.
Verbraucher- und MarktforschungMassenanpassungBetreff: Lineares gemischtes Modell – Annahme der Homoskedastizität verletztHinzufügen zu @statmans hilfreichen Vorschlägen,
Mir gefällt das Variabilitätsdiagramm,
und schauen sich auch gerne Zufallsdaten an (bei denen kein Effekt zu finden sein sollte).
Das folgende Skript generiert diese Daten.
Und folgen Sie dem Weg von der einfachen Analyse (z. B. Verteilung und auch Anpassung von y an x) bis zur komplexen Analyse (Analyse gemischter Modelle).
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 ) )Betreff: Lineares gemischtes Modell – Annahme der Homoskedastizität verletztZunächst einmal willkommen in der Community. Hier sind meine ersten Gedanken (die Analyse sollte immer in dieser Reihenfolge erfolgen: Praktisch > Grafisch > Quantitativ):
1. Zeichnen Sie die Daten grafisch auf. Sie können Graph Builder oder Multivariate Methoden > Multivariate verwenden, um Streudiagrammmatrizen zu erhalten.
2. Zeichnen Sie die Daten grafisch auf. Stellen Sie fest, ob die Variation in der Reaktion von praktischem Wert ist (variierte sie ausreichend?)
3. Zeichnen Sie die Daten grafisch auf. Zur Untermauerung der Schlussfolgerungen aus der grafischen Analyse wird eine quantitative Analyse verwendet. Für die Darstellung der Daten sind keine Annahmen erforderlich.
