Lineares gemischtes ModellVerehrte Gäste,
Ich bin ein Neuling in Sachen Statistik und verwende jmp zum ersten Mal, aber ich habe einige Kenntnisse über spss. Ich habe zuerst versucht, es alleine zu machen, aber es ist zu schwierig. Ich hoffe, einige von euch konnten mir helfen mit den folgenden:
Ich habe Bodenproben von drei verschiedenen Standorten gesammelt (mit völlig unterschiedlichen Bodentypen und Wetterbedingungen) und den pH-Wert, den EC-Wert und das C/N-Verhältnis gemessen. An jedem Standort sind Versuchsstandorte eingerichtet. Jeder Standort enthält zwei Pflanzensorten und jede Sorte verfügt über zwei verschiedene Behandlungen. Eine davon ist die Kontrolle, die andere wird mit zusätzlichem Dünger (Stickstoff und Phosphor) ergänzt.
Ich möchte die Wirkung der Behandlung analysieren. Daher möchte ich LMM verwenden.
Was ich für richtig halte, ist: Standort und Vielfalt sind Zufallsfaktoren. Allerdings bin ich mir nicht sicher, ob ich die Vielfalt in mein Modell einbeziehen soll. Und der feste Faktor ist „Behandlung“.
Und ich weiß nicht, wie ich die Normalität des Fehlerterms überprüfen soll. Sie haben diese Faktoren einfach in „Modelleffekt konstruieren“ eingefügt, ohne dass die Faktoren zusammenwirken?
Mit freundlichen Grüße.
Betreff: Lineares gemischtes ModellNach der Anwendung des Box Cox sollte die Verteilung der Risuals also normal sein, oder? In meinem Fall ist es nicht...
Gibt es vielleicht einen anderen statistischen Test, den ich zur Analyse meiner Daten verwenden kann?
Betreff: Lineares gemischtes ModellSicher.Daher empfiehlt Box-Cox eine optimale Transformation, um Ihre Varianz homogener und die Residuen normaler zu machen.Grundsätzlich wird der SSE für das Modell über einen Bereich von Potenztransformationen (y^λ) ausgewertet, mit der Ausnahme, dass der Wert λ = 0 eine natürliche logarithmische Transformation anzeigt.Die Transformation, die den SSE minimiert, ist die „beste“ Transformation.Der untere Teil der Kurve ist jedoch normalerweise ziemlich flach, sodass Sie innerhalb einer Nachbarschaft verschiedene Transformationen wählen können. Normalerweise möchten Sie eines auswählen, das etwas Sinnvollem entspricht.Wenn beispielsweise Best λ = -0,98 ist, würde ich mich für die Umkehrung entscheiden, da -0,98 wirklich nahe an -1 liegt.
Hier ist ein Beispiel: Ich habe ein lineares Modell mit normalen Fehlern erstellt und alle Antwortwerte quadriert.Ich sollte damit rechnen, dass Box-Cox mir sagt, dass ich die Quadratwurzel ziehen muss, um wieder normale Daten zu erhalten.Folgendes habe ich tatsächlich bekommen:
Sie können sehen, dass die „beste“ Transformation 0,451 ist, aber ich weiß, dass die tatsächliche Antwort 0,5 ist und das ist wirklich nah dran.Wenn ich die wirkliche Antwort nicht wüsste, würde ich immer noch 0,5 wählen. Sie können Ihr Modell mit der gewünschten Transformation erneut ausführen, indem Sie auf den roten Pfeil neben „Box-Cox-Transformationen“ klicken und „Durch Transformation ersetzen“ auswählen.Sie erhalten ein Popup-Fenster, in dem Sie aufgefordert werden, den gewünschten Wert einzugeben.Klicken Sie auf „OK“ und Sie erhalten ein neues Fit-Modell mit der transformierten Antwort.
Betreff: Lineares gemischtes ModellDanke schön!
Ich habe Ihren ersten Vorschlag ausprobiert, aber die Residuen waren immer noch nicht normalverteilt.
Und zu Ihrem zweiten Vorschlag: Ich habe den Test gemacht, aber ich verstehe nicht wirklich, was ich damit machen soll. Könnten Sie mich aufklären?
Betreff: Lineares gemischtes ModellDeine Schwänze sind etwas schwer, aber so schlimm ist es eigentlich nicht.Abhängig von Ihrem Komfortniveau könnten Sie es rechtfertigen, keine Korrekturmaßnahmen zu ergreifen.Ihr Modell wird durch die schwereren Ausläufer wahrscheinlich in keiner Weise verzerrt, aber Ihre Vorhersageintervalle könnten etwas enger sein, als sie sein sollten.
Wenn Sie das Problem angehen möchten, empfehle ich, alles vorübergehend als feste Effekte zu behandeln, damit Sie etwas tiefer graben können.Erstellen Sie ein vollfaktorielles Modell mit allen Ihren Modelltermen und sehen Sie sich die Residuen an, um zu sehen, ob sie normaler sind.Wenn sie gut aussehen, prüfen Sie, ob die zusätzlichen Modellbedingungen von Bedeutung sind.Wenn dies der Fall ist, können Sie sie in Ihr gemischtes Modell integrieren und erneut ausführen.
Sie können auch eine Box-Cox-Analyse in „Modell anpassen“ ausprobieren, während Sie alle Effekte als fest behandeln (nicht verfügbar für gemischte Modelle), solange die Datenpunkte alle positiv sind.Da Ihre Antwort der pH-Wert ist, vermute ich, dass dies kein Problem sein wird.Dadurch wird eine Leistungstransformation empfohlen, die die Residuen am besten „normalisiert“.
Betreff: Lineares gemischtes ModellEs gibt 215 Proben.
Betreff: Lineares gemischtes ModellWie groß ist Ihr gesamter Datensatz?Veröffentlichen Sie das normale Quantildiagramm und ich kann Ihnen von dort aus helfen.
Betreff: Lineares gemischtes ModellHallo!
Ich danke Ihnen sehr für Ihre Antwort!
Ich habe versucht, was Sie gesagt haben, aber die bedingten Residuen hatten keine Normalverteilung. Ich habe versucht, mit log(y) zu transformieren, aber es hat nicht funktioniert. Habt ihr vielleicht noch einen Vorschlag dazu? Und um die bedingten Residuen zu erhalten, war es auch nicht nötig, „voll faktoriell“ anzuwenden, oder?
Mit freundlichen Grüße
Betreff: Lineares gemischtes ModellHallo @Ashya ,
Willkommen in der Community!
Ich stimme zu, dass der Standort wahrscheinlich ein guter Kandidat für einen zufälligen Effekt ist, aber ich denke, dass Pflanzensorten zusammen mit der Behandlung festgelegt werden würden.Es wäre nicht unbedingt falsch, die Sorte als zufällig zu betrachten, aber es erscheint etwas seltsam, es sei denn, die von Ihnen getesteten Sorten wurden als repräsentative Stichprobe aller Sorten ausgewählt, auf die Sie die Ergebnisse verallgemeinern möchten.Wenn neben der Behandlung noch andere feste Wirkungen vorliegen, schmälert dies nicht Ihre Fähigkeit, die Wirksamkeit der Behandlung bei verschiedenen Pflanzensorten zu vergleichen.
Wenn Sie über JMP Pro verfügen, können Sie das entsprechende Modell auf verschiedene Arten in der Plattform „Modell anpassen“ anpassen.Die Persönlichkeit „Gemischtes Model“ in „Fit Model“ ist vorzuziehen, wenn Sie Pro haben.Wenn Sie nur über Basis-JMP verfügen, können Sie Ihr Modell folgendermaßen angeben:
Auch hier können Sie die Vielfalt als zufällig behandeln, wenn Sie dies wirklich möchten.Ich würde es definitiv nicht ausschließen, denn wenn es einen Großteil der Varianz erklärt, würde der Ausschluss dieses Begriffs dazu führen, dass die gesamte Varianz, die durch Varianz erklärt wird, in das Restrauschen einfließt, und Ihr Test für den Behandlungseffekt wird weniger aussagekräftig sein.
Was die Überprüfung von Annahmen betrifft, sollten Sie dies auf der Grundlage von bedingten Residuen und nicht von regulären („marginalen“) Residuen tun, da die marginalen Residuen keine zufälligen Effekte berücksichtigen und dazu führen können, dass die Diagnosediagramme so aussehen, als würden sie die Annahme nicht erfüllen.Um die bedingten Residuen ohne JMP Pro zu erhalten, gehen Sie im Berichtsfenster auf den roten Pfeil > Speichern > Bedingte Residuen speichern.Anschließend müssen Sie sie in einer Verteilung darstellen, um die Normalität mit einem Normalquantildiagramm oder einem Shapiro-Wilk-Test auf Anpassungsgüte zu überprüfen, nachdem Sie eine Normalverteilung an die bedingten Residuen angepasst haben.
Sie können die bedingten Residuen auf ähnliche Weise in einem Laufdiagramm darstellen, um die Unabhängigkeit zu überprüfen.Wenn Sie ein Diagramm der Residuen gegenüber den vorhergesagten Werten erstellen möchten, sollten Sie auch die bedingten vorhergesagten Werte speichern und das Diagramm dann in etwas wie Graph Builder erstellen.
Wenn Sie über JMP Pro verfügen, können Sie alle bedingten Residuendiagramme im Bericht „Modell anpassen“ mit der Persönlichkeit „Gemischte Modelle“ abrufen, was wirklich nett ist.
