Ich habe kürzlich einen Ernteversuch durchgeführt und bei der Analyse der Daten habe ich keine signifikanten Unterschiede in den Behandlungen in Bezug auf Ertrag oder RFV (relativer Futterwert) festgestellt, und zwar beim Vergleich einzelner Schnitte sowie aller kumulativen Schnitte mithilfe der ANOVA. Eine Person stellte signifikante Unterschiede fest, indem sie nur die Schnitte 1, 3 und 5 wählte. Sie gruppierte die Restvarianz der Behandlungen 1, 3 und 5; benannte diese Gruppe als 2 und gruppierte die Restvarianz der Behandlung als 6; nannte diese Gruppe 3.
Ich frage mich Nr. 1, wie man Varianzen in JMP gruppiert, und Nr. 2, ob dies ethisch vertretbar ist, da ich das Gefühl habe, dass dadurch die Daten auf irgendeine Weise manipuliert werden?
Ich verwende jmp17
Wenn ich Ihre Frage und Ihre Daten richtig verstehe, ist eine gemischte Modellanalyse meiner Meinung nach am besten für Sie geeignet. Hier ist ein kurzes Video zur Erklärung.
Hallo @KIrishGH ,
Willkommen in der Community!
Wenn ich die Frage gut verstehe, möchten Sie wissen, ob Sie signifikante statistische Unterschiede zwischen den Behandlungen feststellen können. Diese Tests können Sie ganz einfach mit der Plattform „ Passen Sie Y an X an ", indem Sie die Behandlungen als Ihre X- und RFV als Ihre Y-Variable angeben.
Um zu wissen, welcher statistische Test verwendet werden soll, müssen einige Annahmen überprüft werden:
- Normalitätsannahmen der Antwortvariablen (z. B. unter Verwendung der Verteilungsplattform und Visualisierung des Normalquantildiagramms),
- Unabhängigkeit der Beobachtungen/Ergebnisse (dies kann mit Fachwissen beurteilt werden, und die Verwendung von Kontrolldiagrammen auf den Daten kann Trends/Verschiebungen aufdecken, wenn die Daten nicht unabhängig sind),
- Gleiche Varianz zwischen Gruppen (dies kann mit der Option im roten Dreieck „Ungleiche Varianz“ in der Plattform „Y nach X anpassen“ überprüft werden).
In Ihrem Fall liegt eine leichte Abweichung von der Normalverteilung vor und andere Annahmen scheinen beachtet zu werden. Daher können Sie einen parametrischen Test verwenden, der gleiche Varianz annimmt und für Mehrfachvergleiche richtig angepasst ist (um Fehler vom Typ I zu vermeiden), wie den Tukey-Kramer-Test :
Tatsächlich scheint keine Behandlung im Vergleich zu den anderen statistisch signifikant zu sein.
Mit einem nichtparametrischen Test, der für mehrere Vergleiche angepasst wurde, wie dem All Pairs Steel Dwass-Test, erhalten Sie die gleiche Schlussfolgerung.
Um einige Behandlungen zu gruppieren, können Sie die Option „Neu kodieren“ verwenden, indem Sie die Spalte „Behandlung“ auswählen, mit der rechten Maustaste klicken und „Neu kodieren“ wählen. Anschließend können Sie einige Behandlungen neu gruppieren und die statistischen Tests mit den neuen Gruppen durchführen.
Nur zur Information: Ich habe es mit den von Ihnen bereitgestellten Informationen gemacht (durch Ausblenden und Ausschließen der Schnitte 4 und 5 und Gruppieren der Behandlungen 1, 3 und 5 in Gruppe 2, Behandlung 6 ist Gruppe 3 und der Rest ist unverändert), und ich kann es nicht sehen etwaige Unterschiede in den Testergebnissen:
Die Datentabelle ist den verwendeten Skripten beigefügt.
Auf der theoretischen Seite, es sei denn, Sie verfügen über umfassendes Fachwissen und eine Erklärung/Begründung, um einige Schnitte (Probleme in der Methode, abnormale Ergebnisse usw.) auszuschließen und einige Behandlungen zusammenzufassen (gleiche chemische Basis für einige Behandlungen oder gleiche Art der Anwendung). ...), ich würde nicht versuchen, die Ergebnisse zu optimieren, bis ich etwas statistisch Signifikantes gefunden hätte.
" Wenn Sie die Daten quälen Lange genug wird es alles gestehen " (Ronald H. Coase)
Die von Ihnen dargestellte Situation ähnelt tatsächlich einem P-Hacking, dem Optimieren und Neuanpassen der Faktoren, nur um einen signifikanten p-Wert zu erzielen. Dies ist keine sichere und solide statistische Praxis und macht keinen Sinn, da die statistische Signifikanz wichtig sein kann, aber auch die Effektgröße berücksichtigt werden sollte, um die praktische Bedeutung der Ergebnisse zu verstehen.
Ich hoffe, diese Antwort wird Ihnen helfen,
