Verschachtelung in JMPHallo zusammen! Ich habe Schwierigkeiten, die verschachtelte Struktur meiner Daten in JMP umzusetzen. Ich führe eine Studie zu landwirtschaftlichen Düngemitteln durch, in der es eine Kontrollgruppe (ohne Düngung) und etwa zehn Behandlungen (Dünger 1, 2 usw.) gibt. Jede Behandlung hat zwei Stufen (niedrige und hohe Düngermenge, L und H). Die Stufe ist also in der Behandlung verschachtelt. Mich interessiert der Haupteffekt der Behandlungen (Unterscheiden sich die Düngemittel?) und ob sich die niedrigen und hohen Düngermengen für verschiedene Düngemittel unterscheiden (z. B. der Effekt von Behandlung und Stufe). Wie kann ich das in JMP korrekt kodieren? Vielen Dank im Voraus!
Grundlagen der Datenanalyse und ModellierungBetreff: Verschachtelung in JMPUm welche Prüfung handelt es sich?
Betreff: Verschachtelung in JMPVielleicht verstehe ich Ihre Frage nicht richtig. Meinen Sie, dass die tatsächlichen niedrigen und hohen Werte je nach Düngemittel variieren? Wenn die Struktur tatsächlich verschachtelt ist, lassen sich Wechselwirkungseffekte nicht abschätzen. Das Modell lautet dann: Y = F + R[F]
Sind die Raten gleich, handelt es sich um ein 10x2-faktorielles Versuchsdesign (plus Kontrollgruppe). In diesem Fall gilt: Y = F + R + F*R.
Da F kategorisch ist, gibt es keine Polynomterme.
Betreff: Verschachtelung in JMPHallo @cmc ,
Neben den hervorragenden Hinweisen von @statman können Sie den Abschnitt zur JMP-Hilfe über verschachtelte Faktoren lesen, insbesondere das Beispiel mit verschachtelten Faktoren, das Ihnen bei der Definition Ihres Modells hilft (ohne die Zufallsrolle des Modellterms): https://www.jmp.com/support/help/en/19.0/#page/jmp/example-of-a-twofactor-nested-random-effects-model.shtml#ww893945
Ich hoffe, diese Antwort hilft Ihnen weiter.
Betreff: Verschachtelung in JMPVielen Dank, statman! Ja, die niedrigen und hohen Aufwandmengen sind für jeden Dünger tatsächlich gleich. Das zweite Modell (Y = F + R + F*R) würde also funktionieren; das Problem sind jedoch die Kontrollgruppen. Die Kontrollgruppe hat eine Aufwandmenge (null Dünger), die sich von den Behandlungsmengen unterscheidet (diese haben zwei von null verschiedene Stufen, z. B. 100 kg Dünger und 150 kg). Daher ist in diesem Fall eine Interaktion nicht schätzbar, wenn die Kontrollgruppe in die Analyse einbezogen wird. Wäre es also die Lösung, die Kontrollgruppe wegzulassen und sie in einer separaten Analyse zu betrachten? Oder alles anhand der Kontrollgruppe zu relativieren (z. B. prozentuale Veränderung relativ zur Kontrollgruppe) und eine 10 x 2 faktorielle Analyse durchzuführen? Ich nehme an, beides ist möglich, wenn ich die Aufwandmenge nicht innerhalb des Düngers verschachteln und gleichzeitig Interaktionen von Aufwandmenge * Dünger schätzen kann? Nochmals vielen Dank!
Betreff: Verschachtelung in JMPEs gibt keine „richtige“ Antwort. Man könnte 0 als untere Stufe der Düngermenge verwenden (oder ein dreistufiges Versuchsdesign durchführen), vielleicht Prozentangaben? Würde man in der Praxis jemals 0 verwenden? Warum sollte man mit 0 Dünger vergleichen? Vieles hängt davon ab, welche Fragen man beantworten möchte und welche Motivation hinter dem Experiment steht: Geht es darum, einen Gewinner zu ermitteln oder Kausalzusammenhänge zu verstehen? Immer wenn jemand Faktoren auf mehr als drei Stufen untersucht, meldet sich in mir der Gedanke: „Such dir einen Gewinner aus.“ Im landwirtschaftlichen Kontext wäre ich viel mehr daran interessiert, die Wirkung von Düngerart und -menge unter Berücksichtigung von Störfaktoren zu verstehen. Dazu gehören die Bodenfruchtbarkeit, die Bodenvorbereitung, die Umgebungsbedingungen, Saatgutvariationen, Messfehler usw. Ich schlage eine Blockstudie oder eine andere Strategie vor, um die Düngewirkung zu bewerten und festzustellen, ob diese Wirkung trotz veränderlicher Störfaktoren konsistent ist.
„Leider werden zukünftige Experimente (zukünftige Versuche, die Produktion von morgen) von anderen Umweltbedingungen (Temperatur, Materialien, Menschen) beeinflusst werden als dieses Experiment… Nur durch Kenntnisse des Themas, möglicherweise unterstützt durch weitere Experimente, lässt sich dies ändern.“ (Hervorhebung hinzugefügt) um ein breiteres Spektrum an Bedingungen abzudecken, sodass man – mit dem Risiko, sich zu irren – entscheiden kann, ob die Umweltbedingungen der Zukunft den heutigen so ähnlich sein werden, dass die Verwendung der vorliegenden Ergebnisse zulässig ist.“
Dr. Deming
