Explorando datos con ANCOVAHola,
Tengo 3 variables independientes, una covariable continua (Masa), una variable nominal categórica (sexo: M y F) y otra variable nominal categórica (Ubicación del sitio: Norte, Medio y Sur) y una variable dependiente, continua (concentración de mercurio) . Estoy interesado en probar la hipótesis "Si la variación de masa y sexo en un organismo se puede estandarizar (homogeneizar, contabilizar, suavizar), entonces ese animal puede reflejar la biodisponibilidad de mercurio en el sitio de la ubicación del norte, ubicación media , y ubicación en el sur".
Traté de explorar el uso de un ANCOVA, al incluir mi covariable (masa) en mi análisis de modelo de ajuste con la variable categórica (sexo) y la otra variable categórica (ubicación del sitio), así como los términos de interacción. Mi intención es tener en cuenta la masa y el sexo dentro del ajuste del modelo, puedo construir un gráfico de interacción para las ubicaciones del sitio para ver si hay una diferencia en la concentración de mercurio entre ellos e informar sus LSmeans ya que se han ajustado estadísticamente como si los sexos dentro de esos lugares tenían una masa estandarizada.
Y= concentración de mercurio
X Masa + Ubicación del sitio + sexo + Masa*Sexo + Masa*Ubicación del sitio
Curiosamente, cuando se ejecuta este modelo, así es como se ve mi prueba de efectos
Quiero validar que después de haber tenido en cuenta la covariable, ya que covaría con la concentración de mercurio en el sexo y la concentración de mercurio en la ubicación del sitio, encontramos que no hay diferencias estadísticas entre los sexos y entre los sitios.
Tengo curiosidad si estoy tratando mis variables independientes correctamente aquí dada la hipótesis que quiero probar. Cualquier y toda la ayuda será útil.
AnalíticaMac OSRe: Explorando datos con ANCOVAEso es lo divertido de las hipótesis. No todos salen como pensábamos que saldrían. (Apuesto a que Yogi Bera podría tener al menos una cita en ese sentido).
Suponiendo que no haya problemas de datos, reduciría el modelo. Una interacción parece ser importante si no estadísticamente significativa en un alfa arbitrario = 0,05. Reduzca el modelo un término a la vez, comenzando con términos de orden superior. Quitaría SEX*MASS. Los valores SS y p cambiarán con el modelo reducido. A continuación, eliminaría SEXO a menos que se vuelva importante.
Suponemos que los datos son correctos. Busque problemas de datos utilizando gráficos de datos solos y dentro de la plataforma de modelado.
Suponemos que el modelo no tiene sesgo (sin falta de ajuste), las estimaciones no están razonablemente correlacionadas y la varianza de la respuesta es constante y normalmente distribuida. Los errores deben ser ~N( 0, sigma ). Utilice las gráficas residuales que se proporcionan para evaluar estas suposiciones.
Re: Explorando datos con ANCOVALo siento, estoy un poco confundido por su terminología. Las covariables se asocian típicamente con el diseño experimental. Las covariables suelen ser factores de ruido (factores que son imposibles/difíciles/costosos de controlar). No parece que tenga un diseño experimental, sino más bien un plan de muestreo en el que ha identificado x asociadas con los datos recopilados, pero podría estar malinterpretando su situación.
Si tenía un diseño experimental, parece que tiene 2 factores (sexo y ubicación del sitio) y una covariable. ¿Es esto correcto? La covariable pretende ser una variable aleatoria (ruido medible) que tiene un valor numérico para cada tratamiento. El modelo resultante es un modelo mixto (efectos fijos, factores manipulados en niveles específicos y la variable aleatoria).Por lo general, no busca covariables por interacciones de factores en el modelo. La covariable suele ser ruido (alguna variable incontrolable) que desea asignar y eliminar los efectos para aumentar la precisión de detección de los efectos del factor manipulado.
Hay una gran cantidad de métodos para analizar un conjunto de datos existente para buscar relaciones entre x (masa, sexo y ubicación) e y.
