Explorer les données avec ANCOVABonjour,
J'ai 3 variables indépendantes, une covariable continue (masse), une variable nominale catégorielle (sexe : M et F) et une autre variable nominale catégorielle (emplacement du site : Nord, Moyen et Sud) et une variable dépendante, continue (concentration de mercure) . Je suis intéressé à tester l'hypothèse " Si la variation de masse et de sexe dans un organisme peut être standardisée (homogénéisée, prise en compte, lissée), alors cet animal peut refléter la biodisponibilité du mercure dans le site de l'emplacement Nord, emplacement Intermédiaire. et emplacement dans le sud.
J'ai essayé d'explorer l'utilisation d'une ANCOVA, en incluant ma covariable (masse) dans mon analyse de modèle d'ajustement avec la variable catégorielle (sexe) et l'autre variable catégorielle (emplacement du site), ainsi que les termes d'interaction. Mon intention est qu'en tenant compte de la masse et du sexe dans l'ajustement du modèle, je peux créer un graphique d'interaction pour les emplacements des sites afin de voir s'il existe une différence de concentration de mercure entre eux et rapporter leurs moyennes LS car elles ont été statistiquement ajustées comme si les sexes à l'intérieur de ces endroits, ils avaient une masse standardisée.
Y= concentration de mercure
X Masse + Localisation du site + sexe + Masse*Sexe + Masse*localisation du site
Fait intéressant, lorsque ce modèle est exécuté, voici à quoi ressemble mon test d'effets
Je veux valider qu'après avoir pris en compte la covariable car elle varie avec la concentration de mercure selon le sexe et la concentration de mercure dans l'emplacement du site, nous constatons qu'il n'y a pas de différences statistiques entre les sexes et entre les sites.
Je suis curieux de savoir si je traite correctement mes variables indépendantes ici étant donné l'hypothèse que je souhaite tester. Toute aide sera utile
Mélange et nettoyage des donnéesmacOSRe : Explorer les données avec ANCOVAC’est ce qui est drôle avec les hypothèses. Ils ne se déroulent pas tous comme nous le pensions. (Je parie que Yogi Bera pourrait avoir au moins une citation à cet effet.)
En supposant qu'il n'y ait pas de problèmes de données, je réduirais le modèle. Une interaction semble importante, voire statistiquement significative, à un alpha arbitraire = 0,05. Réduisez le modèle un terme à la fois, en commençant par les termes d’ordre supérieur. Je supprimerais SEX*MASS. Les valeurs SS et p changeront avec le modèle réduit. Je supprimerais ensuite SEXE à moins que cela ne devienne important.
Nous supposons que les données sont correctes. Recherchez les problèmes de données à l’aide des tracés de données uniquement et au sein de la plateforme de modélisation.
Nous supposons que le modèle est impartial (pas de manque d'ajustement), que les estimations ne sont raisonnablement pas corrélées et que la variance de réponse est constante et normalement distribuée. Les erreurs doivent être ~N( 0, sigma ). Utilisez les graphiques résiduels fournis pour évaluer ces hypothèses.
Re : Explorer les données avec ANCOVADésolé, je suis un peu confus par votre terminologie. Les covariables sont généralement associées à la conception expérimentale. Les covariables sont généralement des facteurs de bruit (facteurs impossibles/difficiles/coûteux à contrôler). Il ne semble pas que vous ayez un plan expérimental, mais plus probablement un plan d'échantillonnage dans lequel vous avez identifié des x associés aux données collectées, mais je pourrais mal interpréter votre situation.
Si vous aviez un plan expérimental, il semble que vous ayez 2 facteurs (sexe et emplacement du site) et une covariable. Est-ce correct? La covariable est censée être une variable aléatoire (bruit mesurable) qui a une valeur numérique pour chaque traitement. Le modèle résultant est un modèle mixte (effets fixes, facteurs manipulés à des niveaux spécifiés et variable aléatoire).Habituellement, vous ne recherchez pas d’interactions covariables par facteurs dans le modèle. La covariable est généralement du bruit (une variable incontrôlable) dont vous souhaitez attribuer et supprimer les effets pour augmenter la précision de la détection des effets des facteurs manipulés.
Il existe une multitude de méthodes pour analyser un ensemble de données existant afin de rechercher des relations entre les x (masse, sexe et emplacement) et les y.
