669184_fr-FR

liliconcom

Analyse de chemin dans JMP 16 Pro

J'ai un ensemble de données de 768 lignes de données prises sur 32 mois à partir de parcelles avec différentes végétations au sol et génotypes de plantes. Les données climatiques (T, RH et Pluie) ont été recueillies au cours de la même période à partir d'une station météorologique à proximité. J'ai une estimation de la densité des pucerons et des données d'occurrence pour les fourmis et les prédateurs généralistes. J'aimerais utiliser l'analyse de trajectoire dans JMP pour explorer comment la variable exogène du climat affecte la présence de pucerons et de prédateurs de fourmis sur les plantes, et comment la présence de fourmis et de prédateurs affecte les densités de pucerons sur les plantes. J'ai exploré l'utilisation de la fonction de modèle d'équation structurelle de JMP 16 Pro pour créer les modèles appropriés, mais je ne sais toujours pas comment choisir les modèles appropriés par parcimonie tout en conservant un ajustement approprié. J'ai construit le modèle suivant avec 26 paramètres

T, RH et effet unidirectionnel des précipitations sur les pucerons

Fourmis et prédateur covariant avec les pucerons

T covariant avec RH

HR covariant avec les précipitations

J'obtiens un CIF élevé proche de 1 et un RMSEA proche de zéro

La sortie semble correcte, mais le R2 des variables endogènes - pucerons, fourmis et prédateurs est assez faible.

J'ai essayé la même analyse sur un résumé des données - jusqu'à une taille d'échantillon de 64. Cela me donne un CIF inférieur et un RMSEA supérieur (c'est-à-dire un ajustement moins bon) mais beaucoup de R2 de chacune des trois variables endogènes.

Mes questions sont :

1. est-il acceptable de travailler avec un résumé des moyennes plutôt qu'avec des données originales (la taille de l'échantillon diminue mais aucun paramètre n'est inchangé)

2. Le R2 des variables endogènes est-il important, par rapport à CIF et RMSEA

3. Comment puis-je justifier de réduire le nombre de paramètres dans le modèle mais de supprimer des variables et/ou de réduire l'appariement de variables.

J'attends avec impatience les interactions avec les membres intéressés de la communauté JMP pour clarifier mes questions et, espérons-le, obtenir des commentaires utiles pour m'assurer que j'utilise la bonne approche pour analyser mon ensemble de données.

Merci

Meule

 

Modélisation statistique avancéeRe : Analyse de chemin dans JMP 16 Pro

Salut Rick,

C'est formidable d'apprendre que vous explorez l'utilisation de modèles d'équations structurelles avec vos données ! J'ai créé 3 lignes de données pour clarifier le modèle que vous adaptez.Sur la base de la description des effets dans votre message, j'ai le diagramme de chemin suivant :

 

Est-ce similaire au modèle que vous installez ? Si c'est le cas, je pense qu'il y a des problèmes de spécifications qui pourraient aider. D'après votre description du problème dans le premier paragraphe, je soupçonne qu'un modèle plus approprié pourrait ressembler à celui-ci :

Cependant, je ne suis pas sûr de comprendre comment le temps est représenté dans vos données. Avez-vous 32 mesures répétées pour chacune de ces variables (1 mesure par mois) ? Si oui, vos données sont-elles au format "large" ou "long" ? SEM nécessite un format "large". Par exemple, vous pouvez avoir Rain_1, Rain_2, ... , Rain_32 pour les mesures répétées de pluie. Vous pouvez envisager de regarder la vidéo sur ce lien, qui décrit comment modéliser des données longitudinales dans SEM :

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

 

Pour répondre à vos questions spécifiques :

1. Oui, c'est bien, mais les questions de recherche changent en conséquence. Si vous avez pris des moyennes sur toutes les mesures répétées, vous n'êtes plus en mesure d'examiner les effets séquentiels dans le temps, ce qui est souvent intéressant lorsque vous avez des données prises au fil du temps.

2. CFI et RMSEA vous donnent une idée de l'adéquation de votre modèle aux données. Ceci est d'une importance capitale car vous ne souhaitez interpréter que les résultats de modèles qui correspondent bien. Une fois que vous savez que votre modèle correspond aux données, vous interprétez les résultats, y compris le R2 des variables endogènes.

3. La réduction du nombre de paramètres dans un modèle doit être effectuée en fonction de votre désir de tester des hypothèses spécifiques. Par exemple, sur la base de la deuxième image que j'ai collée, je pourrais décider d'adapter deux modèles : 1) un modèle tel que je l'ai décrit, et 2) un modèle où j'élimine les chemins unidirectionnels du climat (T, RH, pluie) aux pucerons . Je pourrais ensuite comparer les deux modèles pour tester l'hypothèse de savoir si le climat a un effet direct unique sur les pucerons au-delà de l'effet indirect qui passe par les fourmis et les prédateurs.

 

HTH,

~Laura

Re : Analyse de chemin dans JMP 16 Pro

Chère Laura, Merci beaucoup pour les explications et suggestions. Le modèle que j'essaie d'adapter est un modèle presque complet (votre deuxième diagramme) sans covariation Rain et T, dont j'ai déjà déterminé qu'ils ne covariaient pas. Covarie de fourmis et de prédateurs, que j'ai gardé dans le modèle. L'élément temporel se répète sur 32 mois (données collectées une fois par mois) que j'inclus sous forme de colonne (et non transversale). Le plan est un plan à parcelles divisées, en 3 blocs répliqués. La parcelle principale est la couverture végétale (2) et la sous-parcelle est le génotype végétal (4), donc le nombre total d'observations est de 2 parcelles principales x 4 sous-parcelles x 3 blocs x 32 mois = 768 observations. Chaque observation est une moyenne de 4 plantes de chaque génotype dans chaque couvre-sol et bloc.

L’analyse exploratoire que j’ai déjà réalisée a montré qu’une grande partie des effets de l’humidité relative et de la température sont indirects. Le CFI et le RMSE sont respectivement ~0,9 et <0,1.

Vous avez souligné à juste titre que mon approche manque de l'effet d'élément temporel séquentiel. Comment puis-je intégrer cela dans le modèle. Peut-être que je n'ai pas besoin de m'en inquiéter. Si je fais une moyenne sur 32 mois, je n'aurais pas suffisamment d'observations pour correspondre à mon modèle. Les observations répétées me permettent de donner au modèle un nombre suffisant d'observations - au moins 10 par paramètre. J'aimerais faire une analyse distincte au fil du temps pour déterminer comment les prédateurs et les fourmis évoluent avec les pucerons au cours des 32 mois d'observations.

J'aimerais partager un sous-ensemble de données avec vous, mais je préfère vous donner l'intégralité de l'ensemble de données.

Encore un problème, j'ai essayé avec et sans transformation des variables endogènes. Cela ne fait pas beaucoup de différence.

Encore une remarque : les données climatiques sont collectées en dehors de l'expérience et s'appliquent à toutes les parcelles ; elles sont les mêmes pour toutes les séries de 32 mois.

Merci beaucoup pour votre aide à ce sujet.

Meilleur,

Meule