Salve, ho un set di dati piuttosto ampio in cui sto cercando di valutare in che modo il mercurio alla fine catturato nel New Hampshire è variato dal 1992 al 2021 e valutare come questi livelli di mercurio variano da contea a contea durante questa linea temporale.
I miei dati sono i seguenti
DV = Mercurio totale (scala Log10, continuo)
IV Fisso 1= Lunghezza del pesce (continuo)
IV Fisso 2= Anno Catturato (Categorico, Numerico/Nominale)
IV Fisso 3= Anno Catturato * Lunghezza
IV Fisso 4= Contea (Categorico, Carattere/Nominale)
IV Casuale 1= Lago (Categorico, Carattere/Nominale)
IV Casuale 2= Lago * Anno pescato
Ho specificato questo nella piattaforma Fit Model qui.
Questi sono i miei risultati di output
sono curioso di sapere
1. Come devo interpretare i valori del coefficiente di variazione nel menu di output REML? (anche questi valori risultano negativi)
2. Come interpretare in modo significativo l'intercetta negativa come stima del mio parametro in quanto è impossibile avere una concentrazione di mercurio di base negativa
3. Come interpretare la variazione sia intergruppo che intragruppo degli effetti casuali (variazione del mercurio dei pesci all'interno dei laghi, tra i laghi e durante l'anno del lago)
4. Come trasformare all'indietro le mie medie LS dal menu a discesa dei dettagli dell'effetto triangolo rosso.
Sono anche interessato a vedere se c'è qualcos'altro che avrei bisogno di fare/esplorare dato che questo è il mio output?
Grazie per la tua comprensione di questo.
CIAO @IWRRI : Poche cose:
1. Il CV è 100*sqrt(VC)/mean, dove il VC è il rispettivo Var Comp. È negativo perché la tua media è negativa (ci arriverò in 2 sotto).Ma questi CV sono per i dati in scala di registro.Sei interessato alla scala grezza. In tal caso, CV = 100*sqrt(exp(Var Comp)-1) in Excel. Ad esempio, per l'effetto casuale Lake, il tuo Var Comp = 0,0392767. Il CV (in scala non trasformata) è quindi 20.01455169.Maggiori informazioni sul CV qui. https://en.wikipedia.org/wiki/Coefficient_of_variation#Log-normal_data
2. Il intercettare è negativo in scala logaritmica (non la scala grezza).
3. Questa è una domanda complicata. La risposta molto breve è che si tratta di un partizionamento della variabilità totale ... quindi puoi vedere da dove proviene la variabilità e forse dare la priorità alle tue risorse.
4. È possibile eseguire questa operazione "manualmente" salvando l'output e trasformando all'indietro le medie LSM (ad esempio, 10^LSMean) ei rispettivi intervalli. Attenzione però alle interpretazioni; le differenze nelle medie aritmetiche nella scala logaritmica si trasformano nuovamente nel rapporto delle medie geometriche nella scala grezza.
CIAO @IWRRI ,
Solo alcune osservazioni su un punto di vista generale:
- Non sono sicuro di capire perché/come la variabile lago possa essere una variabile casuale e non una contea (che suona anche come una variabile di posizione e "così casuale" come lago dato che si tratta di dati osservativi? Quindi solo una frazione di tutte le possibili posizioni, ovvero un campione casuale di una popolazione più ampia)?
- Stessa domanda per Year, non vedo perché/come sia considerato un effetto fisso, dato che si tratta di uno studio osservazionale, non puoi controllare il tempo e potresti essere più interessato alla variazione/varianza per anno che a il valore medio all'anno? E gli anni nell'analisi (1992-2021) sono solo un campione casuale da un periodo di tempo più ampio possibile.
- Consiglierei anche di utilizzare la piattaforma "Mixed Model" invece del metodo "Least Squares" poiché hai una combinazione di effetti casuali e fissi: Modelli misti e modelli a effetti casuali (jmp.com)
Poiché non conosco esattamente il tuo argomento, alcune delle mie domande potrebbero sembrare ingenue o non appropriate per il tuo argomento. Se è così, puoi ignorarli. Spero che queste domande e osservazioni possano aiutarti,
