669184_de-DE

liliconcom

Pfadanalyse in JMP 16 Pro

Ich habe einen Datensatz mit 768 Datenzeilen, die über einen Zeitraum von 32 Monaten von Parzellen mit unterschiedlicher Bodenvegetation und Pflanzengenotypen aufgenommen wurden. Klimadaten (T, RH und Regen) wurden im gleichen Zeitraum von einer nahegelegenen Wetterstation gesammelt. Ich habe die Dichte von Blattläusen geschätzt und Daten zum Vorkommen von Ameisen und generalistischen Raubtieren erstellt. Ich möchte die Pfadanalyse in JMP verwenden, um zu untersuchen, wie sich die exogene Variable des Klimas auf das Vorkommen von Blattläusen und Ameisenräubern auf Pflanzen auswirkt und wie sich das Vorkommen von Ameisen und Raubtieren auf die Blattlausdichte auf Pflanzen auswirkt. Ich habe die Verwendung der Strukturgleichungsmodellfunktion von JMP 16 Pro zum Erstellen geeigneter Modelle untersucht, bin mir jedoch immer noch nicht sicher, wie ich die geeigneten Modelle sparsam auswählen und gleichzeitig eine angemessene Passform beibehalten kann. Ich habe das folgende Modell mit 26 Parametern gebaut

T, RH und Niederschlag wirken sich unidirektional auf Blattläuse aus

Ameisen und Raubtiere kovariieren mit Blattläusen

T variiert mit RH

Die relative Luftfeuchtigkeit variiert mit dem Niederschlag

Ich erhalte einen hohen CIF-Wert von fast 1 und einen RMSEA-Wert nahe Null

Die Ausgabe scheint in Ordnung zu sein, aber R2 der endogenen Variablen – Blattläuse, Ameisen und Raubtiere – ist ziemlich niedrig.

Ich habe die gleiche Analyse anhand einer Zusammenfassung der Daten versucht – bis hin zu einer Stichprobengröße von 64. Dadurch erhalte ich einen niedrigeren CIF und einen höheren RMSEA (also eine schlechtere Anpassung), aber viel R2 jeder der drei endogenen Variablen.

Meine Fragen sind:

1. Ist es in Ordnung, mit einer Zusammenfassung der Mittelwerte anstelle der Originaldaten zu arbeiten (die Stichprobengröße nimmt ab, aber keine Parameter bleiben unverändert)?

2. Ist R2 der endogenen Variablen im Vergleich zu CIF und RMSEA wichtig?

3. Wie kann ich es rechtfertigen, die Anzahl der Parameter im Modell zu reduzieren, aber Variablen herauszunehmen und/oder die Paarung von Variablen zu reduzieren?

Ich freue mich auf die Interaktion mit interessierten Mitgliedern der JMP-Community, um meine Fragen zu klären und hoffentlich nützliches Feedback zu erhalten, um sicherzustellen, dass ich bei der Analyse meines Datensatzes den richtigen Ansatz verwende.

Danke

Rick

 

Erweiterte statistische ModellierungBetreff: Pfadanalyse in JMP 16 Pro

Hallo Rick,

Schön zu hören, dass Sie die Verwendung von Strukturgleichungsmodellen für Ihre Daten erforschen! Ich habe drei Datenzeilen zusammengestellt, um Klarheit über das Modell zu erhalten, das Sie anpassen.Basierend auf der Beschreibung der Effekte in Ihrem Beitrag habe ich das folgende Pfaddiagramm:

 

Ist das dem Modell ähnlich, das Sie anpassen? Wenn ja, denke ich, dass es einige Spezifikationsprobleme gibt, die hilfreich sein könnten. Aufgrund Ihrer Beschreibung des Problems im ersten Absatz vermute ich, dass ein geeigneteres Modell wie dieses aussehen könnte:

Ich bin mir jedoch nicht sicher, ob ich verstehe, wie die Zeit in Ihren Daten dargestellt wird. Verfügen Sie über 32 wiederholte Messungen für jede dieser Variablen (1 Messung pro Monat)? Wenn ja, liegen Ihre Daten im „Wide“- oder „Long“-Format vor? SEM erfordert ein „breites“ Format. Beispielsweise könnten Sie Rain_1, Rain_2, ..., Rain_32 für die wiederholten Regenmessungen haben. Sie können sich das Video unter diesem Link ansehen, in dem beschrieben wird, wie Längsschnittdaten in SEM modelliert werden:

https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754

 

Um Ihre spezifischen Fragen zu beantworten:

1. Ja, das ist in Ordnung, aber die Forschungsfragen ändern sich entsprechend. Wenn Sie Durchschnittswerte über alle wiederholten Messungen ermittelt haben, sind Sie nicht mehr in der Lage, zeitlich aufeinanderfolgende Effekte zu untersuchen, was oft von Interesse ist, wenn Sie Daten über einen längeren Zeitraum erfasst haben.

2. CFI und RMSEA geben Ihnen einen Eindruck davon, wie gut Ihr Modell zu den Daten passt. Dies ist von entscheidender Bedeutung, da Sie nur Ergebnisse von Modellen interpretieren möchten, die gut passen. Sobald Sie wissen, dass Ihr Modell zu den Daten passt, interpretieren Sie die Ergebnisse, einschließlich des R2 endogener Variablen.

3. Die Reduzierung der Anzahl der Parameter in einem Modell sollte auf der Grundlage Ihres Wunsches erfolgen, bestimmte Hypothesen zu testen. Basierend auf dem zweiten Bild, das ich eingefügt habe, könnte ich beispielsweise entscheiden, zwei Modelle anzupassen: 1) ein Modell, wie ich es dargestellt habe, und 2) ein Modell, bei dem ich die unidirektionalen Pfade vom Klima (T, RH, Regen) zu Blattläusen eliminiere . Dann könnte ich die beiden Modelle vergleichen, um die Hypothese zu testen, ob das Klima einen einzigartigen direkten Einfluss auf Blattläuse hat, der über den indirekten Effekt hinausgeht, der durch Ameisen und Raubtiere entsteht.

 

HTH,

~Laura

Betreff: Pfadanalyse in JMP 16 Pro

Liebe Laura, vielen Dank für die Erklärungen und Anregungen. Das Modell, das ich anzupassen versuche, ist ein nahezu vollständiges Modell (Ihr zweites Diagramm) ohne Kovariation von Rain und T, wobei ich bereits festgestellt habe, dass sie nicht kovariieren. Ameisen und Raubtiere kovariieren, was ich im Modell beibehalten habe. Das Zeitelement wiederholt sich über 32 Monate (Daten werden einmal im Monat erfasst), die ich als Spalte einfüge (nicht übergreifend). Bei dem Entwurf handelt es sich um einen Split-Plot-Entwurf mit drei Replikatblöcken. Die Hauptfläche ist Bodenbedeckung (2) und die Nebenfläche ist Pflanzengenotyp (4), sodass die Gesamtzahl der Beobachtungen 2 Hauptflächen x 4 Nebenflächen x 3 Blöcke x 32 Monate = 768 Beobachtungen beträgt. Jede Beobachtung ist ein Mittelwert von 4 Pflanzen jedes Genotyps in jeder Bodenbedeckung und jedem Block.

Die von mir bereits durchgeführte explorative Analyse hat gezeigt, dass ein Großteil der Auswirkungen auf die relative Luftfeuchtigkeit und die Temperatur indirekter Natur ist. Der CFI und RMSE betragen ~0,9 bzw. <0,1.

Sie haben zu Recht darauf hingewiesen, dass meinem Ansatz der sequentielle Zeitelementeffekt fehlt. Wie baue ich das in das Modell ein? Vielleicht muss ich mir darüber keine Sorgen machen. Wenn ich den Durchschnitt über die 32 Monate berechne, hätte ich nicht genügend Beobachtungen, die zu meinem Modell passen. Die wiederholten Beobachtungen ermöglichen es mir, dem Modell eine ausreichende Anzahl von Beobachtungen zu geben – mindestens 10 pro Parameter. Ich würde gerne eine separate Analyse über die Zeit hinweg durchführen, um festzustellen, wie die Raubtiere und Ameisen während der 32-monatigen Beobachtungszeit mit den Blattläusen umgehen.

Ich würde gerne einen Teil der Daten mit Ihnen teilen, aber ich würde Ihnen lieber den gesamten Datensatz geben.

Noch ein Problem, ich habe es mit und ohne Transformation der endogenen Variablen versucht. Das macht keinen großen Unterschied.

Noch ein Hinweis: Die Klimadaten werden außerhalb des Experiments gesammelt und gelten für alle Parzellen – sie sind für alle Sätze von 32 Monaten gleich.

Vielen Dank für Ihre Unterstützung dabei.

Am besten,

Rick