Daten mit ANCOVA erkundenHallo,
Ich habe 3 unabhängige Variablen, eine kontinuierliche Kovariate (Masse), eine kategoriale Nominalvariable (Geschlecht: M und F) und eine weitere kategoriale Nominalvariable (Standort: Norden, Mitte und Süden) und eine abhängige Variable, kontinuierlich (Quecksilberkonzentration). . Ich bin daran interessiert, die Hypothese zu testen: „Wenn die Variation von Masse und Geschlecht in einem Organismus standardisiert (homogenisiert, berücksichtigt, geglättet) werden kann, dann kann dieses Tier die Bioverfügbarkeit von Quecksilber am Standort Nord und Mitte widerspiegeln.“ und südliche Lage.“
Ich habe versucht, die Verwendung einer ANCOVA zu untersuchen, indem ich meine Kovariate (Masse) in meine Anpassungsmodellanalyse mit der kategorialen Variablen (Geschlecht) und der anderen kategorialen Variablen (Standortstandort) sowie den Interaktionstermen einbezogen habe. Meine Absicht besteht darin, durch die Berücksichtigung von Masse und Geschlecht innerhalb der Modellanpassung ein Interaktionsdiagramm für die Standortstandorte zu erstellen, um zu sehen, ob zwischen ihnen ein Unterschied in der Quecksilberkonzentration besteht, und ihre LS-Mittelwerte anzugeben, da sie statistisch wie bei den Geschlechtern angepasst wurden innerhalb dieser Standorte hatte eine standardisierte Masse.
Y= Quecksilberkonzentration
X Masse + Standort + Geschlecht + Masse*Geschlecht + Masse*Standort
Interessanterweise sieht mein Effekttest so aus, wenn dieses Modell ausgeführt wird
Ich möchte bestätigen, dass wir, nachdem ich die Kovariate berücksichtigt habe, da sie mit der Quecksilberkonzentration des Geschlechts und der Quecksilberkonzentration am Standort kovariiert, feststellen, dass es keine statistischen Unterschiede zwischen den Geschlechtern und zwischen den Standorten gibt.
Ich bin gespannt, ob ich meine unabhängigen Variablen angesichts der Hypothese, die ich testen möchte, hier richtig behandle. Jede Hilfe wird hilfreich sein
Datenmischung und -bereinigungMac OSBetreff: Daten mit ANCOVA erkundenDas ist das Lustige an Hypothesen. Sie kommen nicht alle so heraus, wie wir es uns vorgestellt haben. (Ich wette, Yogi Bera hat mindestens ein Zitat in diesem Sinne.)
Unter der Annahme, dass es keine Datenprobleme gibt, würde ich das Modell reduzieren. Eine Interaktion scheint bei einem willkürlichen Alpha = 0,05 wichtig, wenn nicht sogar statistisch signifikant zu sein. Reduzieren Sie das Modell um einen Term nach dem anderen, beginnend mit Termen höherer Ordnung. Ich würde SEX*MASS entfernen. Die SS- und p-Werte ändern sich mit dem reduzierten Modell. Als nächstes würde ich SEX entfernen, es sei denn, es wird wichtig.
Wir gehen davon aus, dass die Daten korrekt sind. Suchen Sie nach Datenproblemen, indem Sie Datendiagramme allein und innerhalb der Modellierungsplattform verwenden.
Wir gehen davon aus, dass das Modell unvoreingenommen ist (kein Mangel an Anpassung), die Schätzungen einigermaßen unkorreliert sind und die Antwortvarianz konstant und normalverteilt ist. Die Fehler sollten ~N( 0, Sigma ) sein. Verwenden Sie die bereitgestellten Residuendiagramme, um diese Annahmen zu bewerten.
Betreff: Daten mit ANCOVA erkundenEntschuldigung, ich bin etwas verwirrt von Ihrer Terminologie. Kovariaten werden typischerweise mit dem experimentellen Design in Verbindung gebracht. Bei den Kovariaten handelt es sich typischerweise um Rauschfaktoren (Faktoren, die nicht/schwierig/kostspielig zu kontrollieren sind). Anscheinend haben Sie kein experimentelles Design, sondern eher einen Stichprobenplan, in dem Sie mit den gesammelten Daten verknüpfte x identifiziert haben, aber ich könnte Ihre Situation falsch interpretieren.
Wenn Sie ein experimentelles Design hatten, scheinen zwei Faktoren (Geschlecht und Standort) und eine Kovariate vorhanden zu sein. Ist das richtig? Die Kovariate soll eine Zufallsvariable (messbares Rauschen) sein, die für jede Behandlung einen numerischen Wert hat. Das resultierende Modell ist ein gemischtes Modell (feste Effekte, auf bestimmten Ebenen manipulierte Faktoren und die Zufallsvariable).Normalerweise sucht man im Modell nicht nach Kovariaten-Faktor-Wechselwirkungen. Bei der Kovariate handelt es sich in der Regel um Rauschen (eine unkontrollierbare Variable), dem Sie die Auswirkungen zuweisen und entfernen möchten, um die Genauigkeit der Erkennung der manipulierten Faktoreffekte zu erhöhen.
Es gibt eine Vielzahl von Methoden zur Analyse eines vorhandenen Datensatzes, um nach Beziehungen zwischen x (Masse, Geschlecht und Ort) und y zu suchen.
