3원 분산 분석 해석: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다르게 보입니다.안녕,
밀알 수에 미치는 요인(CO2, 관개 및 재배 품종)의 영향을 보기 위해 3원 분산 분석을 수행했습니다.
효과는 CO2와 품종의 상호작용이 유의하지 않은 것으로 나타났으나(p>0.05), Tukey test에서는 상호작용이 있는 것으로 보인다.
CO2와 관수의 상호 작용을 살펴보면 CO2와 품종의 상호 작용과 유사해 보이지만 실제로 그 효과 테스트가 중요했습니다.
다중 비교에서 상호 작용이 있음을 보여주는 이유를 이해하지 못했지만 효과 테스트에서는 그렇지 않다고 합니다.
기본 데이터 분석 및 모델링Re: Interpreting three-way anova: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다른 것 같습니다.당신이 나에게 무엇을 요구하는지 잘 모르겠습니다. Mark는 테스트의 차이점을 아주 잘 설명했다고 생각합니다. 내가 추천하는 것은 통계 테스트를 잠시 제쳐두는 것입니다. 데이터를 플로팅합니다. 데이터 변동의 실질적인 중요성을 평가합니다. 비정상적인 데이터 포인트가 있는지 데이터를 조사합니다(결과를 선험적으로 예측하면 도움이 될 수 있음). 실제로 "특수 원인"" 데이터 포인트일 때 더 높은 차수의 효과가 지정되는 경우가 많습니다. 분석은 항상 다음 순서를 따라야 합니다. 실용적, 그래픽, 정량적.
Re: Interpreting three-way anova: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다른 것 같습니다.일반적으로 귀무 가설이 수락되는지 명확하게 이해하면 평균 간에 차이가 없다는 것을 의미하므로 사후 테스트를 수행하거나 첫 번째 질문에서 볼 수 있는 그룹 간의 차이를 예상할 필요가 없습니다. 이것을 어떻게 설명해야 할까요?
Re: Interpreting three-way anova: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다른 것 같습니다.8) ... 그래서 Statman은 무엇을 말합니까??
Re: Interpreting three-way anova: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다른 것 같습니다.웃어야 했어...맥주를 뱉어. 당신이 얼마나 옳은지.
Re: Interpreting three-way anova: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다른 것 같습니다.우선 전체 ANOVA 및 개별 효과 테스트는 각각 용어 집합 또는 용어 추가를 기반으로 하며 수준 쌍에 대한 진술이 아니라고 설명했습니다. 반면에 Tukey 비교는 수준에 관한 것입니다. Tukey가 비교 횟수를 조정하여 제1종 오류율이 비교 방식이 아닌 실험 기준이 되더라도 여전히 (분명히) 0.05이므로 지금까지의 예와 같이 충분한 테스트를 수행하면 다음과 같은 결과를 얻을 수 있습니다. 거짓양성.
또한 다양한 비교를 시도하고 있는 것 같습니다. 귀하의 실험 설계는 너무 많은 테스트를 지원하기에 부적절합니다. 설계에서는 특정 추론을 수행한다고 가정합니다. 긍정적인 결과를 얻을 때까지 "체리 따기"를 피하도록 주의하십시오.
두 경우 모두 Tukey 방법으로 찾은 비교를 믿는다면 새롭고 독립적인 관찰을 통해 이를 확인해야 합니다.
마지막으로, statman이 물어볼 기회를 갖기 전에 통계적 유의성과 상관없이 차이가 의미가 있거나 실질적으로 중요한가요?
Re: Interpreting three-way anova: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다른 것 같습니다.2-way ANOVA(관개 효과를 고려하지 않음)를 수행할 때 상호 작용 항에 대한 칠면조 테스트와 마찬가지로 위의 상호 작용 효과가 중요하지 않다는 것을 알았습니다. 3-way ANOVA(위와 같이)를 수행할 때 차이가 있는 이유를 이해할 수 없습니다. 모든 용어(주요 요인)를 고려해야 하는 상황에서 나는 그 불일치를 무엇으로 표현해야 할까. 안내를 도와드릴까요?
Re: Interpreting three-way anova: 상호 작용의 효과 테스트는 중요하지 않지만 사후에 상당히 다른 것 같습니다.이 테스트는 두 가지 다른 질문을 하기 때문에 다른 답을 얻을 수 있습니다. 효과 테스트는 용어가 다른 용어와 함께 추가될 때 전체적으로 모델을 크게 변경하는지 묻는 것입니다. 용어 추가와 관련된 제곱합을 기반으로 합니다. 중요한 용어(F 비율)를 나타내기 위한 충분한 증거(평균 제곱)가 없을 수 있습니다. 반면에 Tukey 검정은 요인 수준 조합의 최소 제곱 평균 사이의 차이에 대해 묻습니다. 따라서 전체 항에 대한 검정이 유의하지 않지만 일부 요인 수준 조합 간의 차이가 유의할 수 있습니다. 그들은 종종 동의하지만 실제로 그들이 해야 할 요구 사항은 없습니다.
