Modèle mixte linéaireChers tous,
Je suis un débutant en statistiques et c'est la première fois que j'utilise jmp, mais j'ai quelques connaissances sur spss. J'ai d'abord essayé de le faire moi-même, mais c'est trop dur. j'espère que certains d'entre vous pourront m'aider avec ce qui suit :
J'ai collecté des échantillons de sol de 3 endroits différents (avec des types de sol et des conditions météorologiques totalement différents) et mesuré le pH, l'EC et le C/N. Des sites expérimentaux sont établis sur chaque emplacement. Chaque emplacement contient 2 variétés de plantes et chaque variété a 2 traitements différents. L'un est témoin, et l'autre est amendé avec un engrais supplémentaire (azote et phosphore).
Ce que je veux faire, c'est analyser l'effet du traitement. Par conséquent, je veux utiliser LMM.
Ce que je pense est ce qui est juste : l'emplacement et la variété sont des facteurs aléatoires. Cependant, je ne sais pas si je devrais inclure la variété dans mon modèle. Et le facteur fixe est 'Traitement'.
Et, je ne sais pas comment je devrais vérifier la normalité du terme d'erreur. Vous venez de mettre ces facteurs dans "l'effet du modèle de construction" sans l'interaction des facteurs ?
Bien à vous.
Objet : modèle mixte linéaireDonc, après l'application du Box Cox, la distribution des risuals devrait être normale, non ? Dans mon cas, ce n'est pas...
Existe-t-il peut-être un autre test statistique que je peux utiliser pour analyser mes données ?
Objet : modèle mixte linéaireBien sûr.Box-Cox recommande donc une transformation optimale pour rendre votre variance plus homogène et les résidus plus normaux.Fondamentalement, il évalue le SSE pour le modèle sur une plage de transformées de puissance (y ^ λ), sauf que la valeur λ = 0 indique une transformée de log naturel.La transformée qui minimise le SSE est la "meilleure" transformée.Cependant, le bas de la courbe est généralement un peu plat, vous pouvez donc choisir diverses transformations dans un quartier. Vous voulez généralement en choisir un qui correspond à quelque chose de significatif.Par exemple, si Best λ = -0,98, je choisirais de prendre l'inverse car -0,98 est vraiment proche de -1.
Voici un exemple : j'ai généré un modèle linéaire à l'aide d'erreurs normales et mis au carré toutes les valeurs de réponse.Je devrais m'attendre à ce que Box-Cox me dise que je dois prendre la racine carrée pour avoir à nouveau des données normales.Voici ce que j'ai en fait :
Vous pouvez voir que la "meilleure" transformation est 0,451, mais je sais que la vraie réponse est 0,5 et c'est vraiment proche.Si je ne connaissais pas la vraie réponse, je choisirais quand même 0,5. Vous pouvez réexécuter votre modèle avec la transformation souhaitée en cliquant sur la flèche rouge à côté de "Transformations Box-Cox" et en sélectionnant "Remplacer par la transformation".Vous obtiendrez une boîte de dialogue qui vous demandera de saisir la valeur souhaitée.Appuyez sur OK et vous obtiendrez un nouveau modèle d'ajustement avec la réponse transformée.
Objet : modèle mixte linéaireMerci!
J'ai essayé votre première suggestion, mais les résidus n'étaient toujours pas distribués normalement.
Et à propos de votre deuxième suggestion, j'ai fait le test, mais je ne comprends pas vraiment quoi faire avec cela. Pourriez-vous m'éclairer ?
Objet : modèle mixte linéaireVos queues sont un peu lourdes, mais ce n'est vraiment pas si grave.Selon votre niveau de confort, vous pourriez justifier de ne prendre aucune mesure corrective.Votre modèle n'est probablement pas biaisé en aucune façon par les queues plus lourdes, mais vos intervalles de prédiction pourraient être un peu plus étroits qu'ils ne devraient l'être.
Si vous souhaitez y remédier, je vous recommande de tout traiter temporairement comme des effets fixes afin que vous puissiez creuser un peu plus profondément.Faites un modèle factoriel complet avec tous les termes de votre modèle et regardez les résidus pour voir s'ils sont plus normaux.S'ils semblent bons, voyez si l'un des termes de modèle supplémentaires est significatif.Si tel est le cas, vous pouvez les incorporer dans votre modèle mixte et le réexécuter.
Vous pouvez également essayer une analyse Box-Cox dans Fit Model pendant que vous traitez tous les effets comme fixes (non disponible pour les modèles mixtes) tant que les points de données sont tous positifs.Puisque votre réponse est le pH, je suppose que ce ne sera pas un problème.Cela recommandera une transformation de puissance qui "normalisera" au mieux les résidus.
Objet : modèle mixte linéaireil y a 215 échantillons.
Objet : modèle mixte linéaireQuelle est la taille de votre ensemble de données total ?Publiez le graphique quantile normal et je peux vous aider à partir de là.
Objet : modèle mixte linéaireSalut!
Merci beaucoup pour votre réponse!
J'ai essayé ce que vous avez dit, mais les résidus conditionnels n'avaient pas de distribution normale. J'ai essayé de transformer avec log(y), mais cela n'a pas fonctionné. Avez-vous peut-être une autre suggestion pour cela? Et aussi, pour obtenir les résidus conditionnels, il n'était pas nécessaire d'appliquer la "factorielle complète", n'est-ce pas ?
Bien à vous
Objet : modèle mixte linéaireSalut @Ashya ,
Bienvenue dans la communauté !
Je conviens que l'emplacement est probablement un bon candidat pour un effet aléatoire, mais je pense que les variétés de plantes seraient fixées avec le traitement.Il ne serait pas nécessairement faux de traiter la variété comme aléatoire, mais cela semble un peu étrange à moins que les variétés que vous avez testées aient été sélectionnées pour être un échantillon représentatif de toutes les variétés auxquelles vous souhaitez généraliser les résultats.Le fait d'avoir d'autres effets fixes autres que le traitement ne diminue pas votre capacité à comparer l'efficacité du traitement entre les variétés de plantes.
Vous pouvez ajuster le modèle approprié de plusieurs manières dans la plate-forme Ajuster le modèle si vous disposez de JMP Pro.La personnalité Mixed Model dans Fit Model est préférable si vous avez Pro.Si vous venez de disposer de JMP de base, vous pouvez spécifier votre modèle de la manière suivante :
Encore une fois, vous pouvez traiter la variété comme aléatoire si vous le voulez vraiment.Je ne l'exclurais certainement pas, car s'il explique une grande partie de la variance, l'exclusion de ce terme fera en sorte que toute la variance expliquée par la variété entrera dans le bruit résiduel, et votre test de l'effet du traitement sera moins puissant.
En ce qui concerne la vérification des hypothèses, vous souhaiterez le faire sur la base de résidus conditionnels plutôt que de résidus réguliers ("marginaux"), car les résidus marginaux ne tiennent pas compte des effets aléatoires et peuvent donner l'impression que les tracés de diagnostic échouent à l'hypothèse.Pour obtenir les résidus conditionnels sans JMP Pro, accédez à la flèche rouge dans la fenêtre du rapport > Enregistrer > Enregistrer les résidus conditionnels.Ensuite, vous devrez les tracer en distribution pour vérifier la normalité avec un graphique quantile normal ou un test de Shapiro-Wilk pour la qualité de l'ajustement après avoir ajusté une distribution normale aux résidus conditionnels.
Vous pouvez également tracer les résidus conditionnels sur un diagramme de séquences pour vérifier l'indépendance.Si vous souhaitez créer un graphique résiduel par rapport à prédit, vous souhaiterez également enregistrer les valeurs prédites conditionnelles, puis construire le graphique dans quelque chose comme Graph Builder.
Si vous disposez de JMP Pro, vous pouvez obtenir tous les tracés résiduels conditionnels dans le rapport Ajuster le modèle avec la personnalité Modèles mixtes, ce qui est vraiment agréable.
