Modello misto lineareCarissimi,
Sono un principiante nelle statistiche e questa è la prima volta che utilizzo jmp, ma ho una certa conoscenza di spss. Prima ho provato a farlo da solo, ma è troppo difficile. Spero che qualcuno di voi possa aiutarmi con quanto segue:
Ho raccolto campioni di suolo di 3 luoghi diversi (con tipi di suolo e condizioni meteorologiche totalmente diversi) e misurato pH, EC e C/N. Ci sono siti sperimentali stabiliti in ogni posizione. Ogni posizione contiene 2 varietà di piante e ogni varietà ha 2 diversi trattamenti. Uno è il controllo e l'altro è modificato con fertilizzante extra (azoto e fosforo).
Quello che voglio fare è analizzare l'effetto del trattamento. Pertanto, voglio usare LMM.
Quello che penso è ciò che è giusto: la posizione e la varietà sono fattori casuali. Tuttavia, non sono sicuro di dover includere la varietà nel mio modello. E il fattore fisso è "Trattamento".
E non so come dovrei verificare la normalità del termine di errore. Hai appena inserito quei fattori in "Contruct model effect" senza l'interazione dei fattori?
Cordiali saluti.
Ri: Modello misto lineareQuindi, dopo l'applicazione del Box cox, la distribuzione dei risual dovrebbe essere normale, giusto? Nel mio caso non è...
C'è forse un altro test statistico che posso usare per analizzare i miei dati?
Ri: Modello misto lineareSicuro.Quindi Box-Cox consiglia una trasformazione ottimale per rendere la tua varianza più omogenea e i residui più normali.Fondamentalmente, valuta l'SSE per il modello attraverso un intervallo di trasformazioni di potenza (y ^ λ), tranne per il fatto che il valore λ = 0 indica una trasformazione logaritmica naturale.La trasformazione che minimizza l'SSE è la trasformazione "migliore".Tuttavia, la parte inferiore della curva di solito è piuttosto piatta, quindi puoi scegliere varie trasformazioni all'interno di un quartiere. Di solito vuoi sceglierne uno che corrisponda a qualcosa di significativo.Ad esempio, se Best λ = -0,98, sceglierei di prendere l'inverso perché -0,98 è molto vicino a -1.
Ecco un esempio: ho generato un modello lineare utilizzando errori normali e ho elevato al quadrato tutti i valori di risposta.Dovrei aspettarmi che Box-Cox mi dica che devo prendere la radice quadrata per avere di nuovo dati normali.Ecco cosa ho effettivamente ottenuto:
Puoi vedere che la trasformazione "migliore" è 0,451, ma so che la risposta reale è 0,5 e questo è molto vicino.Se non conoscessi la vera risposta, sceglierei comunque 0,5. Puoi eseguire nuovamente il modello con la trasformazione desiderata facendo clic sulla freccia rossa accanto a "Trasformazioni Box-Cox" e selezionando "Sostituisci con trasformazione".Otterrai una finestra pop-up che ti chiede di digitare il valore che desideri.Premi OK e otterrai un nuovo modello di adattamento con la risposta trasformata.
Ri: Modello misto lineareGrazie!
Ho provato il tuo primo suggerimento, ma i residui non erano ancora distribuiti normalmente.
E riguardo al tuo secondo suggerimento, ho fatto il test, ma non capisco proprio cosa farne. Potresti illuminarmi?
Ri: Modello misto lineareLe tue code sono un po' pesanti, ma in realtà non è così grave.A seconda del tuo livello di comfort, potresti giustificare il fatto di non intraprendere alcuna azione correttiva.Il tuo modello probabilmente non è influenzato in alcun modo dalle code più pesanti, ma i tuoi intervalli di previsione potrebbero essere un po' più stretti di quanto dovrebbero essere.
Se vuoi affrontarlo, ti consiglio di trattare tutto come effetti fissi temporaneamente in modo da poter scavare un po' più a fondo.Fai un modello fattoriale completo con tutti i termini del tuo modello e guarda i residui per vedere se sono più normali.Se hanno un bell'aspetto, controlla se qualcuno dei termini del modello aggiuntivo è significativo.Se lo sono, puoi incorporarli nel tuo modello misto e rieseguirli.
Puoi anche provare un'analisi Box-Cox in Stima modello mentre stai trattando tutti gli effetti come fissi (non disponibile per i modelli misti) purché i punti dati siano tutti positivi.Poiché la tua risposta è il pH, immagino che non sarà un problema.Questo consiglierà una trasformazione di potenza che meglio "normalizzerà" i residui.
Ri: Modello misto lineareci sono 215 campioni.
Ri: Modello misto lineareQuanto è grande il tuo set di dati totale?Pubblica la normale trama quantile e posso aiutarti da lì.
Ri: Modello misto lineareCIAO!
Grazie mille per la tua risposta!
Ho provato quello che hai detto, ma i residui condizionali non avevano una distribuzione normale. Ho provato a trasformare con log(y), ma non ha funzionato. Hai forse un altro suggerimento per questo? Inoltre, per ottenere i residui condizionali, non era necessario applicare il 'fattoriale completo', giusto?
Cordiali saluti
Ri: Modello misto lineareCIAO @Ashya ,
Benvenuto nella comunità!
Sono d'accordo sul fatto che la posizione sia probabilmente un buon candidato per un effetto casuale, ma penso che le varietà vegetali verrebbero riparate insieme al trattamento.Non sarebbe necessariamente sbagliato trattare la varietà come casuale, ma sembra un po' strano a meno che le varietà che hai testato non siano state selezionate per essere un campione rappresentativo di tutte le varietà a cui vorresti generalizzare i risultati.Avere altri effetti fissi diversi dal trattamento non diminuisce la capacità di confrontare l'efficacia del trattamento tra le varietà vegetali.
È possibile adattare il modello appropriato in diversi modi nella piattaforma Adatta modello se si dispone di JMP Pro.La personalità Mixed Model in Fit Model è preferibile se hai Pro.Se hai appena JMP di base, puoi specificare il tuo modello in questo modo:
Ancora una volta, puoi considerare la varietà come casuale se lo desideri davvero.Sicuramente non lo escluderei, perché se spiega gran parte della varianza, l'esclusione di quel termine farà sì che tutta la varianza spiegata dalla varietà vada nel rumore residuo e il tuo test per l'effetto del trattamento sarà meno potente.
Per quanto riguarda il controllo delle ipotesi, ti consigliamo di farlo sulla base di residui condizionali piuttosto che di residui regolari ("marginali") perché i residui marginali non considerano effetti casuali e possono far sembrare che i grafici diagnostici falliscano l'ipotesi.Per ottenere i residui condizionali senza JMP Pro, vai alla freccia rossa nella finestra del rapporto > Salva > Salva residui condizionali.Quindi dovrai tracciarli in distribuzione per verificare la normalità con un normale diagramma quantile o un test di Shapiro-Wilk per la bontà dell'adattamento dopo aver adattato una distribuzione normale ai residui condizionali.
Allo stesso modo è possibile tracciare i residui condizionali su un grafico di esecuzione per verificare l'indipendenza.Se si desidera creare un grafico residuo rispetto a quello previsto, è necessario salvare anche i valori previsti condizionali e quindi costruire il grafico in qualcosa di simile a Graph Builder.
Se si dispone di JMP Pro, è possibile ottenere tutti i grafici residui condizionali all'interno del report Fit Model con la personalità Mixed Models, che è davvero interessante.
