Mein Datensatz besteht aus #Fischen, die in drei verschiedenen Arten von Feuchtgebietsvegetation gefangen wurden. Diese Daten wurden an 16 verschiedenen Standorten erhoben. Ich habe den Wilcoxon-Vorzeichen-Rang-Test in der Matched-Pairs-Analyse durchgeführt, um zu sehen, ob es signifikante Unterschiede in der Anzahl der gefangenen Fische in den verschiedenen Vegetationstypen gibt. Ich interessiere mich auch für die Verwendung der Wassertiefe als Kovariate. Ist das während der Matched-Pairs-Analyse möglich?
Was ist die Natur der „Paare“ oder Paarung? Wie werden zwei Beobachtungen zum Vergleich gepaart?
Wie gesagt, Sie könnten eine Differenzspalte berechnen und dann die Differenz als Antwort verwenden. Dieser Ansatz ist effektiv ein „abgestimmtes Paar“ oder „gepaarter“ Vergleich/Test/Modell.
Danke Mark für die rechtzeitige und gründliche Antwort. Ja, ich habe festgestellt, dass es eine signifikante Beziehung zwischen der Wassertiefe und einer Reihe von biologischen Metriken gibt, die aus den Fischdaten berechnet wurden, also wollte ich sicherstellen, dass, wenn ich die übereinstimmenden Paare mache, und es einen Unterschied zwischen den gibt unterschiedlichen Gemüsesorten, dass es nicht daran liegt, dass die verschiedenen Gemüsestände oft natürlicherweise in unterschiedlichen Tiefen zu finden sind. Gibt es unterschiedliche Fische in den Gemüsearten, weil sie dieses Gemüse als Lebensraum bevorzugen oder weil sie diese Tiefe bevorzugen? Ich könnte auch einige ANCOVAs machen, um das zu sehen, aber es würde leider nicht auf übereinstimmende Paare schauen.
Ich werde deine Vorschläge ausprobieren 
Erstens, haben Sie einen Hinweis darauf, dass die Wassertiefe die Reaktion beeinflussen könnte? Wenn Sie beispielsweise die Differenz gegen die Tiefe und überlagert nach Vegetationstyp im Graph Builder darstellen, sehen Sie einen Effekt wie unten mit einem anderen Datensatz?
Oder sehen Sie beispielsweise in Ihrer Matched-Pair-Analyse die Unterschiede in einem horizontalen Muster oder sehen Sie ein Muster wie dieses:
Ein horizontales Muster würde nicht auf einen anderen Einfluss hindeuten, aber ein schräges Muster wie das oben gezeigte würde es tun.
Leider bietet Matched Pairs keine Möglichkeit, eine Kovariate in die Analyse einzubeziehen. Sie könnten ein Modell mit der Kovariate anpassen, die Residuen berechnen und sie dann wie zuvor als Antwort in Ihrer Analyse übereinstimmender Paare verwenden. Auf diese Weise erhalten Sie den nichtparametrischen Test.
Leider bietet Fit Least Squares keine nichtparametrischen Tests. Es wird von einer Normalverteilung der Fehler ausgegangen. Sie können jedoch gleichzeitig die Auswirkungen von Vegetationstyp und Wassertiefe modellieren. Sie können die Residuen untersuchen, um festzustellen, ob die Fehler die Regressionsannahmen ernsthaft zu verletzen scheinen. Wenn dies nicht der Fall ist, können Sie stattdessen die parametrischen Tests verwenden. Wenn dies der Fall ist, können Sie zuerst die Antwort umwandeln, um zu sehen, ob diese Änderung hilft. Die Box-Cox-Transformationseinrichtung kann dabei helfen, eine gute Transformation zu bestimmen.
Da Ihre Antwort eine Zählung der Fische ist, sollten Sie stattdessen eine Poisson-log-lineare Regressionsanalyse verwenden. Ändern Sie die Persönlichkeit im Dialogfeld „Modell anpassen“ in „Verallgemeinerte lineare Modelle“, wählen Sie „Poisson“ für die Verteilung aus und akzeptieren Sie die standardmäßige (kanonische) Verknüpfungsfunktion für Protokolle.
Beachten Sie, dass Sie, wenn Sie sich entscheiden, etwas anderes als Matched Pairs zu verwenden, die Differenz zwischen den gepaarten Beobachtungen als Antwort für die anderen Analysetypen berechnen müssen.
Lassen Sie uns wissen, ob diese Antwort überhaupt geholfen hat und ob Sie weitere Hilfe benötigen, sobald Sie sich für eine Richtung entschieden haben.
