MANOVA vs. Multiple-Response-ANOVAHallo,
Im Dialogfeld „Modell anpassen“ können Sie mehrere Antwortvariablen (Y) anpassen und die Wirkung mehrerer Prädiktoren testen. Mir ist aufgefallen, dass Sie dies sowohl mit der „Standard Least Square-Anpassung“ tun und Ihre Antworten zusammen anpassen können, als auch mit einer MANOVA. Die Ergebnisse der beiden Ansätze sind recht unterschiedlich.
Meine Frage ist: Was ist der Unterschied in der Interpretation der beiden Modelle?
Vielen Dank im Voraus für Ihre Antwort.
Grundlegende Datenanalyse und ModellierungBetreff: MANOVA vs. Multiple-Response-ANOVAHallo @gchelini ,
Ohne einen Datensatz und die von Ihnen erhaltenen Ergebnisse ist es möglicherweise schwierig, Ihnen zu helfen.
In rein theoretischer Hinsicht unterscheiden sich die beiden Ansätze, da MANOVA die Kovarianz zwischen den Antworten verwendet, um die statistische Signifikanz der Mittelwertunterschiede zu testen. Standard-Kleinstquadrate/Standard-ANOVA für mehrere Antworten testen die Mittelwertunterschiede für jede Antwort separat/unabhängig.
Weitere Informationen hier: https://en.wikipedia.org/wiki/Multivariate_analysis_of_variance
Die Wahl einer Methode gegenüber einer anderen hängt hauptsächlich von Ihrem Ziel und dem Datenerfassungsprozess ab, da Sie sehen können, dass die MANOVA-Analyse je nach Datenerfassungsprozess (z. B. wiederholte Messungen) mehrere Persönlichkeiten zur Verfügung hat: Weitere Beispiele für die Manova-Persönlichkeit
Ich hoffe, dies wird Ihnen helfen, die wichtigsten Unterschiede zwischen den Methoden zu verstehen,
Betreff: MANOVA vs. Multiple-Response-ANOVAVielen Dank für Ihre Antwort und die bereitgestellten Ressourcen. Ich schätze, meine Frage läuft darauf hinaus, wie ich diese Zusammenfassungstabelle (im Anhang) interpretiere. Sie erscheint nur, wenn ich mich entscheide, alle meine Y-Variablen zusammenzufügen.
Erhalte ich dadurch Informationen zu den Faktoren, die die meisten Abweichungen zwischen meinen Antworten erklären?
Betreff: MANOVA vs. Multiple-Response-ANOVAHallo @gchelini
Dieser Bericht ist verfügbar, wenn Sie dasselbe Modell an mehrere Antworten anpassen: Bericht „Kleinste Quadrate anpassen“
Die hier angezeigten p-Werte für Effekte sind die minimalen p-Werte, die für eine der Antworten erkannt wurden.
Als Beispiel am Datensatz „Übung“ von JMP:
Daher ist die Anzeige der p-Werte in einem Effektzusammenfassungsbericht für mehrere Antworten insofern „konservativ“, als dass für jeden Effekt der niedrigste gefundene p-Wert für eine der berücksichtigten Antworten angezeigt wird (um eine „aggressive Modellverfeinerung“ oder das „versehentliche“ Entfernen eines Terms zu verhindern/vermeiden, der bei der Anpassung einer Antwort hilfreich ist, bei den anderen jedoch nicht).
Aber trotzdem wird jede Antwort unabhängig/getrennt mit den Faktoren/Begriffen angepasst, es wird keine Kovarianz zwischen den Antworten verwendet, wie dies mit MANOVA möglich ist. Dieser Bericht kann Ihnen helfen, das Modell zu reduzieren, wenn Sie sehen, dass ein Begriff in diesem Bericht einen hohen p-Wert hat, da er bei unabhängiger Anpassung der Antworten nicht unter diesem Wert liegt.
Hoffe, meine Antwort ist klar?
