Betreff: ZufallseffekttestDanke @Victor_G ,
Kurz bevor ich die von Ihnen gegebenen Vorschläge durcharbeite, was sollte mit der Wertereihenfolge geschehen, wenn meine Ringe zwar Ring1 bis Ring6 heißen, aber nicht unbedingt einer bestimmten Reihenfolge folgen müssen?
Betreff: ZufallseffekttestHallo @Gabriel ,
Wenn Sie in JMP ein Split-Plot-Design erstellen, werden die gesamten Plots standardmäßig als 1, 2, 3, ... geordnet und diese Informationen werden in der Spalteneigenschaft gespeichert.
Wie in der JMP-Hilfe erwähnt ( Wertauftrag (jmp.com) ) : " In Designs, die mit den meisten DOE-Plattformen erstellt wurden, werden kategoriale Faktoren, einschließlich der konstruierten Faktoren Whole Plots und Subplots, und Blockierungsfaktoren der Value Order-Eigenschaft zugewiesen. Diese Eigenschaft ordnet die Ebenen entsprechend der Reihenfolge, in der sie im Abschnitt „Faktoren“ erscheinen. Die Ebenen der konstruierten Faktoren sind aufeinanderfolgende ganze Zahlen, und die Eigenschaft Wertereihenfolge gibt diese natürliche Reihenfolge an. Sie können die Value Order-Spezifikation für jeden Faktor an Ihre Bedürfnisse anpassen. "
Die Reihenfolge an sich ist nicht so wichtig (sie hängt davon ab, wie Sie Ihre Faktoren angegeben haben), sodass Sie sie bei Bedarf ändern können (da alle Blöcke in Bezug auf die Aufteilung/Verteilung der Experimente ähnlich sind).
Ich hoffe, diese Antwort hilft Ihnen,
Betreff: ZufallseffekttestHallo @Gabriel ,
Nach dem Aussehen Ihrer Tabelle und Ihrer Beschreibung sieht Ihr Design wie ein Split-Plot-Design aus, mit "Ring" als Ihrem gesamten Plot und "Kontamination" als Ihrem schwer zu ändernden Faktor. Art wäre ein leicht zu ändernder Faktor, und Dyn ist Ihre Antwort, gemessen in zwei Zeitintervallen (50 und 56 Tage, Zeit könnte als kontinuierlicher Faktor im Design verwendet werden).
Um eine relevante Analyse mit Zufallseffekt zu erstellen, müssen vorher einige Spalteneigenschaften gesetzt werden:
Als zufälliger Block ist "Ring" vollständig mit dem Faktor "Kontamination" korreliert und sollte zwei Spalteneigenschaften haben:
- "Designrolle" als "Zufallsblock" festgelegt,
- "Value Order"-Set, um die Reihenfolge der Ringe zu kennen.
Als schwer zu ändernder Faktor sollte "Kontamination" drei Säuleneigenschaften haben:
- „Designrolle“ als „Kategorial“ festgelegt,
- "Faktoränderungen" als "Schwer" eingestellt,
- "Value Order"-Set, um die Reihenfolge zwischen niedrigen und hohen Ebenen zu kennen.
Gleiche Eigenschaften für "Spezies", aber die Eigenschaft "Faktoränderungen" sollte auf "Einfach" eingestellt sein.
Für "Tage" können Sie die Analyse von Dyn pro Tag durchführen und zwei separate Modelle erstellen, eines für jeden Zeitraum, oder "Tage" direkt als kontinuierlichen Faktor verwenden und ein Modell "Fakultät bis Grad 2" angeben (Modell mit main Effekte und 2-Faktoren-Wechselwirkungen).
Sobald die Eigenschaften festgelegt sind, können Sie zu „Modell anpassen“ gehen und Ihr Modell angeben (möglicherweise müssen Sie eine „Gemischtes Modell“-Persönlichkeit auswählen, damit „Ring“ hinzugefügt und als Zufallseffekte im Bedienfeld „Modelleffekte“ verwendet werden kann):
BEARBEITEN: Sie können auch ein Modell der kleinsten Quadrate erstellen, aber verwenden Sie das rote Dreieck neben "Attribute" mit im Modell eingegebenem Ring, um es als Zufallseffekt festzulegen. Es wird derselbe Test durchgeführt wie bei der Mixed-Model-Persönlichkeit (Sie können sich die Schätzungen der REML-Varianzkomponenten und den p-Wert von Wald ansehen, um zu beurteilen, ob Ihr Zufallseffekt statistisch signifikant ist oder nicht). Diese Modellmöglichkeit wurde in den Skripten der Datentabelle hinzugefügt.
Nachdem Sie die Analyse Ihrer eigenen Daten durchgeführt haben, können Sie abhängig von den Ergebnissen des Tests auf Zufallseffekte auch andere Modelle ausprobieren (allgemeine Regression ohne Zufallseffekt, wenn dieser nicht signifikant ist, oder andere Modellierungsplattformen).
Ich hoffe, diese erste Antwort wird Ihnen helfen.
Anbei finden Sie die JMP-Datentabelle, die mit allen eingestellten Spalteneigenschaften verwendet wird, und das "Mixed Model" -Skript, das ich für diesen Datensatz verwendet habe.
ZufallseffekttestHallo zusammen, ich würde mich über eine kleine Klarstellung oder Anleitung zu meinem experimentellen Design freuen.
Mein Experiment umfasst zwei Hauptbehandlungen: Gaskontamination (zwei verschiedene Niveaus) und Spezies (zwei verschiedene Spezies). Das Experiment ist so aufgebaut, dass ich zwei Hauptringe habe (einen für jeden Grad der Kontamination), in denen sich jeweils zwei verschiedene Arten befinden. Jeder Ring wird dreimal repliziert, sodass es insgesamt 6 Ringe sind, um meinen interessierenden Parameter zu ermitteln.
Ich denke, die Grundannahme wäre, Ringe als zufälligen Effekt zu testen, aber ich bin mir nicht sicher, wie ich das machen soll. Wie kann ich die Auswirkung der Gasverschmutzung, Arten, Tage und deren Wirkung richtig einschätzen, wenn ich meine Normalitätsannahme erfüllt habe?
Da einige Hinweise erforderlich sind, habe ich Beispiel-Excel-Daten hinzugefügt.
Danke schön.
Qualitäts- und VerfahrenstechnikWindowsBetreff: ZufallseffekttestVielen Dank für die sehr ausführliche Erklärung, es hat sehr geholfen.
Ich möchte das klarstellen Generalisierte Regression Wie unterscheidet es sich davon, einfach nur das zu tun? Kleinsten Quadrate direkt? Allerdings sind mir ein paar Unterschiede aufgefallen, da die generalisierte Regression es mir ermöglicht, andere zu untersuchen Schätzmethoden . Was ist jedoch der Vorteil oder Unterschied, wenn ich die kleinsten Quadrate direkt anpasse und dies über die Plattform für die allgemeine Regression tue?
Wenn ich beides separat für meinen interessierenden Parameter durchführe, sehe ich einige Unterschiede und Ähnlichkeiten (siehe Anhang). Könnten Sie bitte erklären, warum dieser Unterschied besteht (insbesondere der Cv im Effekttest)?
Betreff: ZufallseffekttestDanke @Victor_G . Ich sehe jetzt.
Die Quintessenz wäre dann, wann was zu verwenden? Oder gibt es eine bestimmte Natur einer nominalen Variablen, die es erforderlich macht, eine über die andere zu verwenden, wenn wir einen normalverteilten Datensatz haben?
Zum Beispiel Lebenslauf in diesem Fall muss es nominal bleiben, da es keine bestimmte Reihenfolge gibt. CO2 Kontamination (ist entweder hoch oder niedrig), jedoch nicht in einer bestimmten Reihenfolge. Natürlich müssen Tage in das Modell eingegeben werden, damit sie als kontinuierliche Variable eingehen.
Darüber bin ich mir nicht im Klaren.
Danke.
Betreff: ZufallseffekttestHallo @Gabriel ,
Es scheint, dass Ihr Modell nur nominale Variablen enthält.
Ich habe möglicherweise eine Antwort zu Ihrer Frage zu den Unterschieden zwischen der Methode zur Schätzung der kleinsten Quadrate zwischen der Plattform „Generalized Regression“ und der Plattform „Kleinste Quadrate“ gefunden:
" Die Parametrisierung nominaler Variablen, die in der Persönlichkeit der Generalisierten Regression verwendet werden, unterscheidet sich von ihrer Parametrisierung mithilfe anderer Fit-Modell-Persönlichkeiten. Die Persönlichkeit der Generalisierten Regression verwendet die Parametrisierung von Indikatorfunktionen. Bei dieser Parametrisierung ist die Schätzung, die dem Indikator für eine Ebene einer nominalen Variablen entspricht, eine Schätzung der Differenz zwischen der mittleren Antwort auf dieser Ebene und der mittleren Antwort auf der letzten Ebene. Die letzte Ebene ist die Ebene mit der höchstwertigen Ordnungscodierung; es ist die Ebene, deren Indikatorfunktion nicht im Modell enthalten ist.“
Von: Starten Sie die generalisierte Regressionspersönlichkeit
Während im Fit-Modell:
" Wenn Sie im Startfenster „Modell anpassen“ eine Spalte mit einem nominalen Modellierungstyp eingeben, stellt JMP diese intern als einen Satz kontinuierlicher Indikatorvariablen dar. Jede Variable nimmt nur die Werte –1, 0 und 1 an. (Beachten Sie, dass diese Codierung eine von vielen Möglichkeiten ist, Indikatorvariablen zum Codieren von Nominalvariablen zu verwenden.) Wenn Ihre Nominalspalte dies hat N Ebenen also N Zur Darstellung wird –1 dieser Indikatorvariablen benötigt. (Das Bedürfnis nach N –1 Indikatorvariablen beziehen sich direkt auf die Tatsache, dass der Haupteffekt mit der nominalen Spalte verbunden ist N –1 Freiheitsgrade.) Ausführliche Informationen finden Sie in Nominale Faktoren . "
Aus : Statistische Details zur Nominaleffektkodierung
Der Unterschied, den Sie sehen, könnte also mit diesem Unterschied in der Kodierung der nominalen Effekte zusammenhängen und somit unterschiedliche Schätzwerte und berechnete p-Werte ergeben.
Ich hoffe, diese Antwort hilft Ihnen, den Unterschied zu verstehen.
Betreff: ZufallseffekttestHallo @Gabriel ,
Möglicherweise gibt es keine definitive Antwort auf Ihre Frage, da diese stark von Ihren Faktoren, Ihrem Thema und Ihren Zielen abhängt.
Soweit ich die Unterschiede zwischen diesen beiden Nominaleffektkodierungen verstehe, würde ich sagen, dass die Nominalkodierung aus der Generalisierten Regression möglicherweise besser geeignet ist, wenn Sie erwarten, Stufen anhand eines Nominalfaktors zu bewerten, indem Sie jede Stufe mit einer bestimmten Stufe vergleichen. Sie können die Spalteneigenschaft „Wertreihenfolge“ verwenden, um die erforderliche Reihenfolge anzugeben, damit sie zu Ihrem Studiendesign passt. Für den Vergleich mit allen anderen Stufen wird die letzte Stufe des Faktors herangezogen.
Beispielsweise würde ich persönlich im JMP-Datentabellenbeispiel „Cholesterol.jmp“ die Erstellung eines Modells basierend auf der Generealized Regression-Plattform mit der Schätzmethode „Standard-Kleinste-Quadrate“ vorziehen, da dies die nominale Codierung ermöglichen würde, jedes Behandlungseffektniveau mit dem „Placebo“ zu vergleichen „ Behandlungseffektebene (standardmäßig aufgrund der alphabetischen Reihenfolge, aber durch Hinzufügen einer Spalteneigenschaft „Wertreihenfolge“ kann ich die Vergleiche ändern, die mit einer anderen Ebene wie „Kontrolle“ durchgeführt werden). Dies ist sinnvoller, da wir wissen möchten, welche Auswirkungen verschiedene Behandlungen im Vergleich zu Placebo (oder Kontrolle) haben, und nicht im Vergleich zum Durchschnitt, der auf allen verschiedenen Ebenen berechnet wird.
Wenn Sie jedoch wissen möchten, wie sich die einzelnen Ebenen auf die auf allen Ebenen berechnete durchschnittliche Reaktion auswirken können, ist die Plattform „Standard Least Squares from Fit Model“ möglicherweise nützlicher.
Ihre CO2-Kontamination scheint ein ordinaler Faktor zu sein, da es eine „natürliche Reihenfolge“ zwischen hoch und niedrig gibt (hoch > niedrig). Sie können diesen Faktor also als ordinal angeben, da es sich um eine Information handelt, die bei der Kodierung der ordinalen Faktoren berücksichtigt wird sowie : https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/ordinal-factors.shtml#ww96069
Wenn Sie ihn als ordinalen Effekt angeben und nur 2 Ebenen haben, wird die Effektschätzung anhand der Differenz zwischen der durchschnittlichen Antwort für jede Ebene (Hoch – Niedrig) berechnet, wohingegen bei einer „normalen“ nominalen Kodierung und 2 Ebenen Die Effektschätzung wird berechnet, indem die Differenz zwischen der durchschnittlichen Reaktion einer Ebene und der durchschnittlichen Gesamtreaktion für die beiden Ebenen herangezogen wird (Beispiel: Hoch – Mittelwert (Hoch, Niedrig)).
Ich hoffe, dass diese Antwort etwas mehr Klarheit in dieses komplexe Thema bringt.
Betreff: ZufallseffekttestDanke @Victor_G . Ich vermute, dass die CO2-Kontamination in meinem Fall eher eine nominale Variable oder ein nominaler Faktor ist, da der Höchst- oder Tiefstwert nur die Umgebung darstellt, in der meine Daten gesammelt werden. Eine Kammer weist eine hohe CO2-Kontamination auf, die andere eine niedrige, und meine Messung der „A-Dyn“-Reaktion der Pflanze erfolgt in den verschiedenen offenen Kammern.
Aber wie Sie bereits sagten, ist die Navigation in diesem Thema recht komplex.
