Mon ensemble de données se compose de #poissons capturés dans trois différents types de végétation de zones humides. Ces données ont été recueillies sur 16 sites différents. J'ai fait le test Wilcoxon signé Rank dans l'analyse des paires appariées pour voir s'il y a des différences significatives dans le nombre de poissons capturés dans les différents types de végétation. Je suis également intéressé à utiliser la profondeur de l'eau comme covariable. Est-ce possible dans l'analyse des paires appariées ?
Quelle est la nature des « couples » ou appariements ? Comment deux observations sont-elles appariées pour la comparaison ?
Comme je l'ai dit, vous pouvez calculer une colonne de différence, puis utiliser la différence comme réponse. Cette approche est en fait une comparaison/test/modèle « apparié » ou « apparié ».
Merci Mark pour la réponse rapide et complète. Oui, j'ai trouvé qu'il y avait une relation significative entre la profondeur de l'eau et un certain nombre de paramètres biologiques qui ont été calculés à partir des données sur les poissons, donc je voulais m'assurer que le moment où je fais les paires appariées et qu'il y a une différence entre le différents types de légumes que ce n'est pas dû au fait que les différents peuplements de légumes se trouvent souvent naturellement à différentes profondeurs. Y a-t-il différents poissons dans les types de légumes parce qu'ils préfèrent ce légume comme habitat ou parce qu'ils préfèrent cette profondeur ? Je pourrais aussi faire quelques ANCOVA pour regarder cela, mais ce ne serait malheureusement pas regarder des paires appariées.
Je vais essayer tes suggestions 
Tout d'abord, avez-vous une indication que la profondeur de l'eau pourrait influencer la réponse ? Par exemple, si vous tracez la différence par rapport à la profondeur et que vous la superposez par type de végétation dans Graph Builder, voyez-vous un effet comme ci-dessous avec un autre ensemble de données ?
Ou, par exemple, dans votre analyse des paires appariées, voyez-vous les différences dans un modèle horizontal ou voyez-vous un modèle comme celui-ci :
Un motif horizontal ne suggérerait pas une autre influence, mais un motif incliné comme celui illustré ci-dessus le ferait.
Malheureusement, Matched Pairs ne permet pas d'inclure une covariable dans l'analyse. Vous pouvez ajuster un modèle avec la covariable, calculer les résidus, puis les utiliser comme réponse dans votre analyse des paires appariées comme auparavant. Cette voie permet d'obtenir le test non paramétrique.
Malheureusement, Fit Least Squares ne fournit pas les tests non paramétriques. Il suppose une distribution normale des erreurs. Cependant, il vous permet de modéliser simultanément les effets du type de végétation et de la profondeur de l'eau. Vous pouvez examiner les résidus pour déterminer si les erreurs semblent violer gravement les hypothèses de régression. Si ce n'est pas le cas, vous pouvez utiliser les tests paramétriques à la place. Si c'est le cas, vous pouvez d'abord transformer la réponse pour voir si ce changement aide. La fonction de transformation de Box-Cox peut aider à déterminer une bonne transformation.
Étant donné que votre réponse est un nombre de poissons, vous pouvez envisager d'utiliser une analyse de régression log-linéaire de Poisson à la place. Modifiez la personnalité dans la boîte de dialogue Ajuster le modèle en Modèles linéaires généralisés, sélectionnez Poisson pour la distribution et acceptez la fonction de lien log (canonique) par défaut.
Notez que si vous décidez d'utiliser autre chose que des paires appariées, vous devrez calculer la différence entre les observations appariées comme réponse pour les autres types d'analyse.
Faites-nous savoir si cette réponse vous a aidé et si vous avez besoin d'aide supplémentaire une fois que vous avez décidé d'une direction.
