Interprétation GLMJ'ai fait une enquête-expérience pour mon mémoire de maîtrise. Mon superviseur m'a recommandé d'utiliser GLM en raison de la conception à composants mixtes (les traitements sont fixes mais les participants et les images incluses dans l'enquête sont aléatoires) mais j'ai du mal à interpréter les résultats.
Lors de l'enquête, les participants se sont trouvés au hasard dans l'une des 3 conditions. Ensuite, ils ont vu 10 images et ont dû répondre à 6 questions pour chaque image. Selon le traitement, l'image comprenait soit un signe de type 1, de type 2 ou aucun signe. Ils ont répondu aux questions sur une échelle de Likert en cinq points.
Pour ce modèle, j'ai utilisé la moyenne des 10 photos auxquelles chaque participant a répondu pour une question spécifique, cela m'a été recommandé mais aussi ce modèle montre un AIC plus faible que les autres que j'ai essayés.
Les variables utilisées sont :
NN vs N - NN est représenté par 0 et cela signifie que l'image ou le traitement n'incluait pas de signe. N représente qu'il avait un signe.
Traitement - 0 signifie qu'il n'incluait pas de signe. 1 qu'il comprenait un signe de type 1 et 2 qu'il comprenait un signe de type 2.
J'apprécierais vraiment si quelqu'un pouvait m'aider à comprendre les résultats.
Modélisation statistique avancéeÉtudes de consommation et de marchéConception d'expériencesObjet : Interprétation GLMBonjour et bienvenue. Donc, je comprends les données : si Traitement = 0, alors NN vs N = 0. et, si Traitement = 1 ou 2, alors NN vs N = N. est-ce correct ?Si c'est le cas, il n'est pas étonnant que vous ayez des problèmes de singularité, des dfs perdus et des estimations de paramètres mises à zéro. Cela peut se produire lorsque vos facteurs sont corrélés les uns aux autres. Si j'ai bien compris, alors "NN vs N" est une fonction de "Traitement"... et c'est pourquoi ces problèmes sont apparus.
Objet : Interprétation GLMSalut! Oui, les facteurs sont corrélés entre eux. J'ai utilisé le même modèle mais n'ai fait qu'un seul facteur à la fois, si cela résout le problème que vous avez mentionné. Je ne comprends toujours pas vraiment la sortie, pensez-vous que vous pourriez m'aider avec ça? Peut-être dire ce que vous voyez dans les données ?
Je suppose que je devrais utiliser le modèle par traitement car il a un AIC inférieur ? même si ce qui m'intéresse le plus, c'est de tester N vs NN, les différents types de signes sont des informations supplémentaires pour mes recherches mais pas le point principal.
Merci d'avance
Objet : Interprétation GLM@PoissonOpossum3 Ma première pensée : si vous avez un GLM avec distribution=normal et link=identity, il serait alors plus simple et peut-être plus informatif d'utiliser les moindres carrés standard dans la plate-forme Fit Model, car avec ces options GLM, le modèle est le même que dans l'option des moindres carrés standard (et j'utiliserais l'emphase = effet de dépistage).Et puisque les résultats des moindres carrés auront plus d'options pour évaluer/interpréter vos résultats, je commencerais par là (en utilisant un facteur ou l'autre).
Objet : Interprétation GLML'utilisation d'un facteur ou d'un prédicteur à la fois évite la singularité dans l'analyse. Néanmoins, le problème demeure : vous ne pouvez attribuer aucun effet exclusivement à l'un ou l'autre de ces facteurs sur la base de ces données. Les facteurs sont confondus. On dit parfois qu'un facteur est le pseudonyme de l'autre. Nous avons besoin de données dans lesquelles elles ne sont pas corrélées pour attribuer un effet unique à chacune. Vous devez tenir compte du modèle et de l'analyse lors de la conception de l'étude. Vous devez utiliser une méthode établie pour concevoir l'expérience. Les méthodes établies vous obligent à spécifier le modèle que vous avez l'intention d'analyser.
D'un autre côté, le traitement pourrait être le seul facteur réel, et l'analyse utilisant uniquement ce facteur pourrait être valide.
GLM est principalement destiné aux réponses non distribuées normalement. Vous mentionnez des effets aléatoires mais vous ne les avez pas inclus dans le modèle. Cette omission pourrait être valide car ils représentent l'erreur résiduelle. Si c'est le cas, vous n'avez pas besoin d'un « modèle à effets mixtes » ou d'un « modèle mixte linéaire généralisé ».
Objet : Interprétation GLMMerci Mark, je vais chercher à travailler avec un autre modèle. Néanmoins, afin de comparer les résultats que j'ai obtenus du GLM pourriez-vous m'aider avec la question suivante ?
Sur les estimations des paramètres, il montre l'ordonnée à l'origine, puis le traitement 1 et le traitement 0, mais le traitement variable a 3 niveaux (0, 1 et 2). Cela signifierait-il que le JMP a classé le traitement 2 dans la catégorie Intercept ? (cela peut être vu sur l'une des dernières captures d'écran que j'ai fournies).
Merci d'avance 
Objet : Interprétation GLMNon, JMP paramètre les termes à l'aide du codage des effets. Essentiellement, la somme des estimations des paramètres est égale à zéro. Ainsi, si l'estimation pour le traitement 1 est de 5 et le traitement 0 est de 10, l'estimation pour le traitement 2 = -15. Ce codage garantit que l'ordonnée à l'origine est interprétée comme la réponse moyenne au centre de l'espace des prédicteurs.
