GLM-InterpretationFür meine Masterarbeit habe ich ein Umfrage-Experiment durchgeführt. Mein Vorgesetzter hat mir empfohlen, GLM zu verwenden, da das Design gemischte Komponenten enthält (die Behandlungen sind festgelegt, aber die Teilnehmer und die in die Umfrage einbezogenen Bilder sind zufällig), aber es fällt mir schwer, die Ergebnisse zu interpretieren.
Bei der Umfrage fielen die Teilnehmer zufällig in eine von drei Situationen. Dann sahen sie 10 Bilder und mussten zu jedem Bild 6 Fragen beantworten. Abhängig von der Behandlung enthielt das Bild entweder ein Schild Typ 1, Typ 2 oder kein Schild. Sie beantworteten die Fragen auf einer fünfstufigen Likert-Skala.
Für dieses Modell habe ich den Durchschnitt der 10 Bilder verwendet, die jeder Teilnehmer auf eine bestimmte Frage beantwortet hat. Dies wurde mir empfohlen, aber auch dieses Modell weist einen niedrigeren AIC auf als die anderen, die ich ausprobiert habe.
Die verwendeten Variablen sind:
NN vs. N – NN wird durch 0 dargestellt und bedeutet, dass das Bild oder die Behandlung kein Zeichen enthielt. N bedeutet, dass es ein Zeichen hatte.
Behandlung – 0 bedeutet, dass kein Zeichen enthalten war. 1, dass es ein Schild vom Typ 1 enthielt und 2, dass es ein Schild vom Typ 2 enthielt.
Ich wäre wirklich dankbar, wenn mir jemand helfen könnte, die Ergebnisse zu verstehen.
Erweiterte statistische ModellierungVerbraucher- und MarktforschungVersuchsplanungBetreff: GLM-InterpretationHallo und Willkommen. Ich verstehe also die Daten: Wenn Behandlung = 0, dann NN vs. N = 0. Und wenn Behandlung = 1 oder 2, dann NN vs. N = N. Ist das richtig?Wenn ja, ist es kein Wunder, dass Sie Singularitätsprobleme, verlorene DFS und auf Null gesetzte Parameterschätzungen haben. Dies kann passieren, wenn Ihre Faktoren miteinander korrelieren. Wenn ich das richtig verstehe, dann ist „NN vs. N“ eine Funktion der „Behandlung“ … und deshalb sind diese Probleme aufgetreten.
Betreff: GLM-InterpretationHallo! Ja, die Faktoren korrelieren miteinander. Ich habe das gleiche Modell verwendet, aber jeweils nur einen Faktor durchgeführt, ob das von Ihnen erwähnte Problem dadurch gelöst werden könnte. Ich verstehe die Ausgabe immer noch nicht wirklich. Könnten Sie mir dabei helfen? Sagen Sie vielleicht, was Sie in den Daten sehen?
Ich schätze, ich sollte das Modell zur Behandlung verwenden, da es einen niedrigeren AIC hat? Obwohl es mir vor allem darum geht, N vs. NN zu testen, sind die verschiedenen Arten von Zeichen zusätzliche Informationen für meine Forschung, aber nicht der Hauptpunkt.
Vielen Dank im Voraus
Betreff: GLM-Interpretation@PoissonOpossum3 Mein erster Gedanke: Wenn Sie ein GLM mit distribution=normal und link=identity haben, dann wäre es einfacher und vielleicht informativer, Standard-Kleinstquadrate in der Fit Model-Plattform zu verwenden, da mit diesen GLM-Optionen das Modell dasselbe ist wie in der Option „Standard-Kleinste-Quadrate“ (und ich würde Hervorhebung = Effekt-Screening verwenden).Und da die Ergebnisse der kleinsten Quadrate mehr Optionen zur Bewertung/Interpretation Ihrer Ergebnisse bieten, würde ich dort beginnen (unter Verwendung des einen oder anderen Faktors).
Betreff: GLM-InterpretationDurch die Verwendung jeweils eines Faktors oder Prädiktors wird die Singularität in der Analyse vermieden. Dennoch bleibt das Problem bestehen: Sie können anhand dieser Daten keinen Effekt ausschließlich einem dieser Faktoren zuordnen. Die Faktoren sind verwechselt. Wir sagen manchmal, dass ein Faktor ein Alias des anderen ist. Wir benötigen Daten, in denen sie nicht korreliert sind, um jedem eindeutig einen Effekt zuzuordnen. Beim Entwurf der Studie sollten Sie das Modell und die Analyse berücksichtigen. Zur Gestaltung des Experiments sollten Sie eine etablierte Methode verwenden. Bei den etablierten Methoden müssen Sie das Modell angeben, das Sie analysieren möchten.
Andererseits könnte die Behandlung der einzige wirkliche Faktor sein und die Analyse, die ausschließlich diesen Faktor verwendet, könnte gültig sein.
GLM ist hauptsächlich für nicht normalverteilte Antworten gedacht. Sie erwähnen zufällige Effekte, haben diese aber nicht in das Modell einbezogen. Diese Auslassung könnte gültig sein, da sie den Restfehler darstellt. Wenn ja, benötigen Sie kein „Modell mit gemischten Effekten“ oder ein „verallgemeinertes lineares gemischtes Modell“.
Betreff: GLM-InterpretationDanke Mark, ich werde die Zusammenarbeit mit einem anderen Modell in Betracht ziehen. Könnten Sie mir dennoch bei der folgenden Frage helfen, um die Ergebnisse, die ich mit dem GLM erhalten habe, zu vergleichen?
Bei den Parameterschätzungen wird der Schnittpunkt und dann Behandlung 1 und Behandlung 0 angezeigt, aber die Variable Behandlung hat 3 Ebenen (0, 1 und 2). Bedeutet dies, dass JMP Behandlung 2 als Intercept kategorisiert hat? (Dies ist auf einem der neuesten Screenshots zu sehen, die ich bereitgestellt habe).
Vielen Dank im Voraus 
Betreff: GLM-InterpretationNein, JMP parametrisiert die Begriffe mithilfe der Effektcodierung. Im Wesentlichen summieren sich die Parameterschätzungen auf Null. Wenn also die Schätzung für Behandlung 1 5 und Behandlung 0 10 beträgt, ist die Schätzung für Behandlung 2 = -15. Diese Codierung stellt sicher, dass der Schnittpunkt als mittlere Antwort in der Mitte des Prädiktorraums interpretiert wird.
