GLMの解釈修士論文のために調査実験を行いました。 コンポーネントが混在するデザイン (治療法は固定されていますが、調査に含まれる参加者と写真はランダムです) のため、上司から GLM の使用を勧められましたが、結果を解釈するのが難しいと感じています。
調査では、参加者はランダムに 3 つの条件のうち 1 つに該当しました。 次に、10 枚の写真を見て、それぞれの写真について 6 つの質問に答えなければなりませんでした。 治療に応じて、画像にはタイプ 1、タイプ 2 の兆候が含まれるか、または兆候が含まれていません。 彼らは質問に 5 段階のリッカート スケールで回答しました。
このモデルでは、各参加者が特定の質問に回答した 10 枚の写真の平均を使用しました。これは私に推奨されたものですが、このモデルは、私が試した他のモデルよりも AIC が低いことも示しています。
使用される変数は次のとおりです。
NN vs N - NN は 0 で表され、絵や治療に記号が含まれていなかったことを意味します。 N は記号があったことを表します。
処理 - 0 は、標識が含まれていなかったことを表します。 1 はサイン タイプ 1 を含むこと、2 はサイン タイプ 2 を含むことを示します。
誰かが結果を理解するのを手伝ってくれれば本当に感謝します。
高度な統計モデリング消費者および市場調査実験計画法Re: GLM の解釈こんにちは、いらっしゃい。 データは理解しています。治療 =0 の場合、NN 対 N = 0。治療 = 1 または 2 の場合、NN 対 N = N。これは正しいですか?そうであれば、特異点の問題、DFS の損失、パラメータ推定値のゼロ化が発生するのも不思議ではありません。 これは、要因が相互に相関している場合に発生する可能性があります。 これが正しければ、「NN vs N」は「治療」の関数であることになります...そしてそれがこれらの問題が発生した理由です。
Re: GLM の解釈やあ！ はい、要因は相互に相関しています。 私は同じモデルを使用しましたが、あなたが指摘した問題を解決できるのであれば、一度に 1 つの要素のみを実行しました。 まだ出力がよくわかりません。手伝っていただけますか? データに見られることを伝えることもできるでしょうか?
AICが低いので治療でモデルを使うべきでしょうか？私が最も興味があるのは N 対 NN をテストすることですが、さまざまな種類の記号は私の研究のための追加情報であり、主要な点ではありません。
前もって感謝します
Re: GLM の解釈@PoissonOpossum3私の最初の考え: distribution=normal および link=identity の GLM がある場合、これらの GLM オプションを使用すると、モデルは標準最小二乗法オプションで (強調 = 効果スクリーニングを使用します)。最小二乗法の結果には、結果を評価/解釈するためのより多くのオプションがあるため、(いずれかの要素を使用して) そこから開始します。
Re: GLM の解釈一度に 1 つの因子または予測変数を使用すると、分析における特異点が回避されます。 それでも、問題は残っています。このデータに基づいて、影響をこれらの要因のいずれか 1 つだけに限定することはできません。 要因が複雑に絡み合っています。 ある要素が別の要素の別名であると言われることがあります。 それぞれに効果を一意に割り当てるには、相関関係のないデータが必要です。 研究を設計するときは、モデルと分析を考慮する必要があります。 確立された方法を使用して実験を計画する必要があります。 確立された方法では、分析するモデルを指定する必要があります。
一方で、実際の要因は治療だけである可能性があり、この要因のみを使用した分析が有効である可能性があります。
GLM は主に非正規分布応答用です。 ランダム効果について言及していますが、モデルにはそれを含めていません。 それらは残留誤差を表すため、この省略は有効である可能性があります。 そうであれば、「混合効果モデル」や「一般化線形混合モデル」は必要ありません。
Re: GLM の解釈ありがとう、マーク、別のモデルでの作業を検討します。 それにもかかわらず、GLM から得られた結果を比較するために、次の質問を手伝ってもらえますか?
パラメータ推定では、切片、次に治療 1、治療 0 が表示されますが、変数治療には 3 つのレベル (0、1、2) があります。 これは、JMP が治療 2 をインターセプトとして分類したことを意味しますか? (これは、私が提供した最新のスクリーンショットの 1 つで確認できます)。
前もって感謝します ：）
Re: GLM の解釈いいえ、JMP はエフェクト コーディングを使用して用語をパラメータ化します。 基本的に、パラメーター推定値の合計はゼロになります。 したがって、治療 1 の推定値が 5、治療 0 の推定値が 10 の場合、治療 2 の推定値 = -15 となります。 このコーディングにより、切片が予測子空間の中心の平均応答として解釈されることが保証されます。
