Re: 変量効果検定ありがとう@ビクター_G 、
あなたが提供した提案を検討する直前に、Ring1 から Ring6 と呼ばれるリングが必ずしも特定の順序に従う必要がない場合、値の順序をどうする必要がありますか?
Re: 変量効果検定やあ@ガブリエル、
JMP で分割プロット計画を作成する場合、デフォルトでは、プロット全体が 1、2、3、... の順序で並べられ、この情報が列プロパティに保存されます。
JMP ヘルプ (バリューオーダー (jmp.com) ) : "ほとんどの DOE プラットフォームを使用して作成された計画では、構築された因子全体プロットとサブプロットを含むカテゴリ因子、およびブロッキング因子に値の順序プロパティが割り当てられます。 このプロパティは、因子セクションに表示される順序に従ってレベルを並べ替えます。 構築された因子のレベルは連続した整数であり、値の順序プロパティはこの自然な順序を指定します。 必要に応じて、任意の要素の値の順序の仕様を変更できます。 "
順序自体はそれほど重要ではありません (因子を指定した方法に関連しています) ので、必要に応じて変更できます (実験の再分割/分布に関してすべてのブロックが類似しているため)。
この回答がお役に立てば幸いです。
Re: 変量効果検定やあ@ガブリエル、
表の外観と説明から、あなたのデザインは分割プロット デザインのように見えます。「リング」がプロット全体で、「汚染」が変更しにくい要素です。 種は簡単に変更できる因子であり、Dyn は 2 つの時間間隔 (50 日と 56 日、時間は計画で連続因子として使用できます) で測定された応答です。
変量効果を使用して関連する分析を作成するには、前にいくつかの列プロパティを設定する必要があります。
ランダム ブロックとして、「リング」は要因「汚染」と完全に相関しており、次の 2 つの列プロパティが必要です。
- 「デザインロール」を「ランダムブロック」に設定し、
- リングの順番を知るための「Value Order」セット。
変更が難しい要因として、「汚染」には 3 つの列プロパティが必要です。
- 「カテゴリ」として設定された「デザインの役割」、
- 「Factor Changes」を「Hard」に設定し、
- 低レベルと高レベルの間の順序を知るために設定された「Value Order」。
「種」のプロパティは同じですが、「Factor Changes」プロパティは「Easy」に設定する必要があります。
「日」については、日ごとに Dyn の分析を行い、各期間ごとに 1 つずつ、2 つの別個のモデルを作成するか、「日」を連続因子として直接使用して、「階乗から次数 2」モデル (主要な効果と 2 因子の交互作用) .
プロパティを設定したら、[モデルの適合] に移動して、モデルを指定できます ([モデル効果] パネルで [リング] を追加してランダム効果として使用できるように、[混合モデル] パーソナリティを選択する必要がある場合があります)。
編集:最小二乗モデルを実行することもできますが、モデルに入力されたリングで「属性」の横にある赤い三角形を使用して、ランダム効果として指定します。 混合モデルのパーソナリティと同じ検定が行われます (ランダム効果が統計的に有意かどうかを評価するために、REML 分散成分推定値と Wald p 値を確認できます)。 このモデルの可能性は、データテーブルのスクリプトに追加されました。
独自のデータで分析を行ったら、変量効果のテストの結果に応じて、他のモデルも試すことができます (有意でない場合、または他のモデリング プラットフォームの場合は、変量効果のない一般化回帰)。
この最初の回答がお役に立てば幸いです。
すべての列プロパティ セットで使用される JMP データテーブルと、このデータセットで使用した「混合モデル」スクリプトを添付してください。
ランダム効果テスト皆さん、こんにちは。私の実験計画について少し説明やアドバイスをいただければ幸いです。
私の実験には、ガス汚染 (2 つの異なるレベル) と種 (2 つの異なる種) という 2 つの主な処理があります。 実験は、2 つのメイン リング (汚染レベルごとに 1 つ) があり、それぞれに 2 つの異なる種が含まれるように設定されています。 関心のあるパラメーターを評価するために、各リングが 3 回複製され、合計 6 つのリングになります。
基本的な前提はランダム効果としてリングをテストすることだと思いますが、これを行う方法がわかりません。 正規性の仮定を満たした後、ガス汚染、種、日数の影響を正しく推定し、それらの影響を相互に推定するにはどうすればよいでしょうか?
いくつかのガイダンスが必要なので、サンプル Excel データを追加しました。
ありがとう。
品質およびプロセスエンジニアリングウィンドウズRe: ランダム効果テストとても詳しい説明をしていただき、とても助かりました。
について明確にしておきたいと思います一般化回帰ただやることとどう違うの？最小二乗直接？ ただし、一般化回帰によりさまざまな分析が可能になるため、いくつかの違いに気づきました。推定方法。 しかし、最小二乗法を直接当てはめる場合と、一般化回帰プラットフォームを通じて行う場合の利点や違いは何でしょうか?
関心のあるパラメーターに対して両方を個別に実行すると、いくつかの違いと類似点がわかります (添付を参照)。違いが生じる理由 (特に効果テストの Cv) を説明していただけますか。
Re: ランダム効果テストありがとう@Victor_G 。 なるほど。
肝心なのは、いつ何を使用するかということになります。それとも、正規分布したデータセットがある場合、一方を他方よりも使用する必要がある公称変数に特有の性質があるのでしょうか?
例えば履歴書この場合、特別な順序はないため、名目上のままにする必要があります。 CO2汚染（高いか低いかのいずれか）ですが、特に順序はありません。 もちろん、日数は連続変数としてモデルに入力されます。
これについては私が明確に理解していないだけではありません。
ありがとう。
Re: ランダム効果テストやあ@ガブリエル、
モデルには名目変数しかないようです。
一般化回帰プラットフォームと最小二乗プラットフォーム間の最小二乗推定方法との違いに関するあなたの質問に関する回答の要素を見つけたかもしれません。
」一般化回帰パーソナリティで使用される名目変数のパラメータ化は、他のフィット モデル パーソナリティを使用するパラメータ化とは異なります。 一般化回帰パーソナリティは、指標関数のパラメーター化を使用します。 このパラメータ化では、名目変数のレベルの指標に対応する推定値は、そのレベルでの平均応答と最後のレベルでの平均応答との差の推定値です。 最後のレベルは、最も高い値の順序でコーディングされたレベルです。モデルにインジケーター機能が含まれていないレベルです。」
から: 一般化回帰パーソナリティを起動します
一方、モデルの適合では:
」 「モデルの適合」起動ウィンドウに公称モデリング・タイプの列を入力すると、JMP はそれを一連の連続指標変数として内部的に表します。 各変数は、値 –1、0、および 1 のみを想定します。 (このコーディングは、指標変数を使用してノミナル変数をコーディングする多くの方法のうちの 1 つであることに注意してください。) nレベル、その後nこれを表すには、これらの指標変数のうち -1 つが必要です。 (必要性n -1 の指標変数は、名目列に関連付けられた主効果が次のような影響を与えるという事実に直接関係します。 n -1 の自由度。) 詳細については、「名目係数。 」
から ：名目効果コーディングの統計的詳細
したがって、表示される違いは、名目効果のコーディングの違いに関連している可能性があり、そのため、異なる推定値と計算された p 値が得られます。
この回答が違いを理解するのに役立つことを願っています、
Re: ランダム効果テストやあ@ガブリエル、
あなたの質問に対する最終的な答えは、要因、トピック、目的に大きく依存するため、存在しない可能性があります。
これら 2 つの名目効果コーディングの違いを理解する限り、各レベルを 1 つの特定のレベルと比較することによって名目要因からレベルを評価することを期待している場合は、一般化回帰による名目コーディングの方が適切である可能性があると言えます。 列プロパティ「値の順序」を使用して、研究デザインに適合するように必要な順序を指定できます。 因子の最後のレベルは、他のすべてのレベルとの比較に使用されます。
たとえば、JMP データテーブルの例「Cholesterol.jmp」では、標準最小二乗推定法を使用した一般化回帰プラットフォームに基づいたモデルを作成することを個人的に好みます。これにより、公称コーディングで各治療効果レベルを「プラセボ」と比較できるようになります。 " 治療効果レベル (デフォルトではアルファベット順ですが、「値の順序」列プロパティを追加することで、「コントロール」などの別のレベルとの比較を変更できます)。 すべての異なるレベルで計算された平均と比較するのではなく、プラセボ (または対照) と比較してさまざまな治療の効果が何であるかを知りたいので、これはより理にかなっています。
ただし、各レベルがすべてのレベルで計算された平均応答にどのような影響を与えるかを知りたい場合は、フィット モデルの標準最小二乗プラットフォームの方が役立つ場合があります。
高と低の間には「自然順序」 (高 > 低) があるため、CO2 汚染は序数因子であると思われます。したがって、この因子は序数因子のコーディングで考慮される情報であるため、この因子を序数として指定できます。同じように ： https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/ordinal-factors.shtml#ww96069
それを順序効果として指定し、レベルが 2 つしかない場合、効果の推定値は各レベルの平均応答の差 (高 - 低) によって計算されますが、「通常の」公称コーディングと 2 レベルの場合、効果の推定値は、レベルの平均応答と 2 つのレベルの全体的な平均応答の差を取ることによって計算されます (例: 高 - 平均(高,低))。
この回答により、この複雑なトピックがもう少し明確になることを願っています。
Re: ランダム効果テストありがとう@Victor_G 。 私の場合、CO2汚染は名目上の変数または要因であると思います。なぜなら、高低は私のデータが収集される環境にすぎないからです。 1 つのチャンバーには CO2 汚染が高く、もう 1 つは低い CO2 汚染が与えられ、植物の「A-Dyn」応答の測定はさまざまな開放チャンバーで行われます。
しかし、あなたが言ったように、このトピックをナビゲートするのは非常に複雑です。
