Analyse kombinierter ExperimenteHallo, ich bin ein Doktorand, der landwirtschaftliche Forschung zur physikalischen Unkrautbekämpfung betreibt. Meine Frage ist, wie man in JMP Pro 16.0.0 (macOS) ordnungsgemäß auf Jahreseffekte zwischen Experimenten testet.
Ich habe ein vollständig faktorielles, vollständig randomisiertes Blockdesign-Experiment entworfen, das die Auswirkungen des Werkzeugwinkels und -abstands auf die Wirksamkeit (Anteil der abgetöteten Unkräuter) testet. Jedes Experiment besteht aus vier Blöcken, drei Werkzeugwinkeln und drei Werkzeugabständen. Dieses Experiment wurde 2021 und 2022 auf verschiedenen Feldern (auf demselben Bauernhof) wiederholt.
Das von mir gebaute Modell ist unten abgebildet:
Jahr (zufälliger Effekt)
Block[Jahr] (zufälliger Effekt)
Jahr*Werkzeugwinkel (zufälliger Effekt)
Jahr*Werkzeugabstand (zufälliger Effekt)
Jahr*Werkzeugwinkel*Werkzeugabstand (zufälliger Effekt)
Werkzeugwinkel (fester Effekt)
Werkzeugabstand (fester Effekt)
Werkzeugwinkel*Werkzeugabstand (fester Effekt)
Mir wurde gesagt, dass dies richtig ist. Ich habe dieses Modell in Zeitschriftenartikeln gesehen, aber ich habe auch andere Modelle gesehen, die von Studenten/Forschern verwendet wurden. Andere Modelle zeigen einen Werkzeugwinkeleffekt, aber das obige Modell zeigt keinen Werkzeugwinkeleffekt. Ich bin verwirrt, was richtig ist. Wenn ich Residuen in JMP speichere, sind das die Residuen von Jahr*Werkzeugwinkel*Werkzeugabstand (zufälliger Effekt) ?
Meine andere Frage lautet: Was bedeutet es, wenn der Wald-p-Wert nicht signifikant ist (für einen zufälligen Effekt in der Tabelle der REML-Varianzkomponentenschätzungen), die Experimente jedoch bei der Durchführung eines Students-T-Tests auf der Registerkarte „Effektdetails“ signifikant sind? statistisch voneinander verschieden?
Alle Gedanken sind willkommen.
VersuchsplanungBetreff: Analyse kombinierter ExperimenteVielen Dank für Ihren Beitrag dazu, er hilft sehr. Es macht Sinn, dass die Schätzung schlecht ist. Bei diesen großen Experimenten geht Ihnen schnell der Platz und die Arbeitskraft aus. Es ist sicherlich schwierig, geringfügige Unterschiede festzustellen.
Ich vermutete, dass eine Einstellung des Werkzeugwinkels „Hilling“ zu einer höheren Unkrautsterblichkeit führen würde und dass der Werkzeugabstand aggressiver werden würde, je näher die Werkzeuge einander kommen. Wenn ich einige der am wenigsten signifikanten Terme im Modell herausnehme, kann ich erkennen, dass das Hillen zu einer höheren Unkrautsterblichkeit führte, aber ich war sehr überrascht, keinen signifikanten Effekt des Werkzeugabstands zu sehen. Das war für mich ganz interessant.
Vielen Dank auch für Ihre Gedanken zum zweiten Experiment.
Betreff: Analyse kombinierter ExperimenteDer Unterschied zwischen Option 1 und Option 2 besteht darin, dass Sie zunächst Interaktionsterme mit „Jahr“ für zufällige Effekte einbezogen haben, diese Interaktionen jedoch nicht in das zweite Modell einbezogen haben. Das zweite Modell bietet viel mehr Freiheitsgrade (DF) für den festen Effekt, sodass das F-Verhältnis in der zweiten Analyse empfindlicher ist.
Ich sollte anmerken, dass es zwar richtig ist, einige der Effekte als zufällig zu modellieren, die Replikation dieser Faktoren jedoch so gering ist, dass die Schätzung ziemlich schlecht ist. (Zwei Jahre, vier Blöcke) Es wird korrekt durchgeführt, jedoch mit großer Unsicherheit in der Schätzung.
Manchmal betrachten wir ein Experiment als eine Reihe fester Hypothesentests. In anderen Fällen sehen wir es als Chance, mit dem Modell zu erkunden, um herauszufinden, was passieren könnte. Die zweite Ansicht würde mit einem extremen Modell beginnen (alle Terme raus, außer Intercept raus oder alle Terme rein) und dann in die entgegengesetzte Richtung arbeiten. Sie könnten Option 2 verwenden und jeweils einen Term entfernen, wobei Sie immer den am wenigsten signifikanten Term (höchsten p-Wert) auswählen und ihn entfernen. Untersuchen Sie die resultierende Analyse bei jedem Schritt vollständig.
Es hört sich so an, als hätten Sie zu Beginn Ihres Experiments Hypothesen gehabt. Wie stimmen diese Erwartungen mit den Ergebnissen der Analyse überein? Welche Ergebnisse haben Sie überrascht?
Was das zweite Experiment betrifft, würde ich das Experiment als festen Effekt für diesen Test betrachten. Sie haben nur zwei Ebenen. Das Testen eines Unterschieds anhand der Varianz wird daher kaum große Veränderungen ergeben. Mithilfe der Tabelle „Effekttests“ können Sie entscheiden, ob es sich um einen festen Effekt handelt.
Betreff: Analyse kombinierter ExperimenteHallo Mark,
Bei meiner ersten Frage, die ich hätte angeben sollen, meinte ich, dass ich bei Verwendung von „Option2“ einen signifikanten Effekt auf den Werkzeugwinkel (P < 0,0001) und bei Verwendung von „Option1“ keinen signifikanten Effekt auf den Werkzeugwinkel (P = 0,0988) sehe. Es scheint, als gäbe es in Option 1 so viele Begriffe, dass ich nicht mehr in der Lage bin, den Einfluss des Werkzeugwinkels auf die Wirksamkeit zu erkennen.
Meine zweite Frage bezieht sich auf ein anderes Experiment. Ich habe unten einige Fotos angehängt. Ich möchte testen, ob sich die beiden Feldexperimente statistisch voneinander unterscheiden.
Betreff: Analyse kombinierter ExperimenteIhr Modell enthält einen Begriff für den festen Effekt des Werkzeugwinkels. Es ist der dritte von unten in der obigen Liste.
Der Wald-Test gilt für eine von Null verschiedene Varianzschätzung. Der Effekttest ist ein F-Test für einen von Null verschiedenen Parameterschätzwert. Könnten Sie bitte ein Bild des Fensters „Fit Least Squares“ posten, damit wir den REML-Umriss und den Effekttest-Umriss sehen können?
