Hallo, ich führe eine vierfaktorielle, vollfaktorielle ANOVA mit einem Faktor für Messwiederholung (Zeit, drei Stichproben) und drei zwischensubjektiven Faktoren (Art, Farbe und Bewässerung; jeweils zwei Stufen) unter Verwendung der Mixed-Model-Persönlichkeit in JMP Pro 18.1.0 durch. Ich verwende die AR(1)-Struktur der wiederholten Kovarianz, da sie basierend auf den AICc-Werten die beste Anpassung bietet. Die Analyse zeigt, dass ich keine signifikanten 4- oder 3-Faktor-Interaktionen, aber mehrere 2-Faktor-Interaktionen habe (siehe unten).
Um die Wechselwirkungen zwischen zwei Faktoren zu untersuchen, möchte ich beispielsweise eine Tukey-Mittelwerttrennung für den Zeitraum auf jeder Artenebene und einen T-Test für die Arten in jedem Zeitraum durchführen. Ich bin jedoch nicht an allen paarweisen Vergleichen der Interaktion zwischen Art und Zeitraum interessiert (d. h. ein Vergleich von Art 1 zum Zeitpunkt 1 mit Art 2 zum Zeitpunkt 3 ist nicht aussagekräftig) und möchte meine statistische Aussagekraft möglichst nicht beeinträchtigen. Die benutzerdefinierten Schätzungen funktionieren in diesem Szenario nicht, da der Benutzer mindestens eine Ebene jedes Faktors auswählen muss, auch solche, die nicht in der relevanten Interaktion enthalten sind. Bei der Untersuchung der Interaktion zwischen Art und Zeitraum sollten die Werte über alle Farb- und Bewässerungsebenen gemittelt werden. Im Wesentlichen möchte ich Ausschnitte testen, aber das scheint im gemischten Modell nicht möglich zu sein, und ich kann diese Daten nicht mit der Standard-Kleinstquadrate-Methode analysieren, da ich die AR(1)-Struktur für die wiederholten Messungen verwende. Haben Sie Tipps zur Analyse der einfachen Effekte in diesem Szenario?
Bevor wir uns zu sehr mit der Analyse der Struktur befassen: Gibt es neben dem AICc-Wert eine rationale Grundlage für die Annahme der AR(1)-Struktur? Anders ausgedrückt: Bringt Sie der Hinweis auf Autoregression in den Daten (Verzögerung um eine Zeile) dazu, etwas zu sagen wie: „Ja, das ergibt aufgrund von xyz Sinn“?
Das Video unter diesem Link könnte hilfreich sein. Es beginnt bei etwa Minute 25–26.
