Post-hoc-Test nach zweifaktorieller ANOVA: Anwendung der Bonferroni-Korrektur in JMPIch analysiere derzeit Daten mehrerer Gruppen mittels einer zweifaktoriellen ANOVA (Gruppe × Zeit) und möchte wissen, wie ich in JMP einen Post-hoc-Test mit der Bonferroni-Methode durchführen kann.
Normalerweise verwende ich den Tukey-HSD-Test für Mehrfachvergleiche, ich bin jedoch verpflichtet, die Ergebnisse auch unter Verwendung von Bonferroni-korrigierten Vergleichen anzugeben.
Ich habe die JMP-Hilfedokumentation konsultiert und dort Erklärungen zu den Methoden für multiple Vergleiche in der einfaktoriellen ANOVA gefunden (Tukey, Dunnett usw.).
Ich konnte jedoch keine klare Beschreibung finden, wie die Bonferroni-Korrektur nach einer zweifaktoriellen ANOVA angewendet wird, insbesondere nicht auf der Plattform „Least Squares Means“.
Könnten Sie bitte zu folgenden Punkten Stellung nehmen?
Wenn die Interaktion signifikant ist, wie lautet das korrekte Vorgehen in JMP, um einfache Effektvergleiche mit Bonferroni-Korrektur nach einer zweifaktoriellen ANOVA (Fit Model) durchzuführen?
In nichtparametrischen Erklärungen wird die Bonferroni-Korrektur manchmal als „Multiplikation jedes p-Werts des t-Tests mit der Anzahl der Vergleiche“ beschrieben.
Ist diese Interpretation auch in JMP akzeptabel, oder gibt es eine empfohlene, integrierte Methode zur Bonferroni-Korrektur?
Wir wären für jegliche Hinweise sehr dankbar.
Vielen Dank.
Beste grüße,
Grundlagen der Datenanalyse und ModellierungBetreff: Post-hoc-Test nach zweifaktorieller ANOVA: Wie wendet man die Bonferroni-Korrektur in JMP an?Hallo @LossMarmot707 : Ja, „Multiplikation jedes p-Werts des t-Tests mit der Anzahl der Vergleiche“ entspricht der Bonferroni-Korrektur, unabhängig von der verwendeten Software. Aber warum möchten Sie einfache Effekte vergleichen, wenn eine Interaktion vorliegt? Das kann sehr irreführend sein. Beispielsweise könnte es zu jedem einzelnen Messzeitpunkt einen großen Unterschied zwischen zwei Gruppen geben, der aber im Mittel über alle Messzeitpunkte hinweg sehr gering ist.
Nachtrag: Eine andere Möglichkeit zur Bonferroni-Korrektur bestünde darin, alpha (auf alpha/k, wobei k die Anzahl der Vergleiche ist) in der Plattform Fit Model (rotes Dreieck neben "Modellspezifikation") zu ändern und dann die Student'schen t-Intervalle zu verwenden.
Betreff: Post-hoc-Test nach zweifaktorieller ANOVA: Wie wendet man die Bonferroni-Korrektur in JMP an?Vielen Dank für Ihren Kommentar.
Ich verstehe die Bonferroni-Korrektur als Standardverfahren zur Kontrolle des Fehlers 1. Art bei Mehrfachvergleichen.
Selbst wenn eine Wechselwirkung signifikant ist, kann die alleinige Interpretation der Haupteffekte zu einem irreführenden Verständnis des Gesamtbildes führen. Daher wird generell empfohlen, die Effekte für jede Bedingung separat zu untersuchen (d. h. einfache Effekte zu vergleichen), beispielsweise zu jedem Zeitpunkt oder auf jeder Konzentrationsstufe.
Das Vorhandensein einer Wechselwirkung deutet darauf hin, dass
„Die Wirkung eines Faktors ändert sich in Abhängigkeit vom Ausmaß des anderen Faktors.“
Das bedeutet, dass die Betrachtung der Gesamtdurchschnittswerte allein wichtige Muster in den Daten verschleiern kann.
Um diese Muster zu verdeutlichen, habe ich in der vorliegenden Analyse die Unterschiede zwischen den Gruppen innerhalb jeder Bedingung mittels Post-hoc-Vergleichen im Anschluss an die zweifaktorielle ANOVA untersucht.
Darüber hinaus bezog sich meine ursprüngliche Frage hier speziell darauf, wie man Post-hoc-Tests mit Bonferroni-Korrektur unter Verwendung der Statistiksoftware JMP durchführt.
Wie Sie bereits erwähnt haben, könnte die Anpassung von alpha an α/k und die Verwendung der Student'schen t-Intervalle in der Tat eine bequeme Alternative zur Implementierung der Bonferroni-Korrektur darstellen.
Betreff: Post-hoc-Test nach zweifaktorieller ANOVA: Wie wendet man die Bonferroni-Korrektur in JMP an?Sie können einen "einfachen Effekttest" über die Option [Test Slices] im Menü mit dem roten Dreieck für den Interaktionsterm durchführen und die p-Werte in eine Datentabelle ausgeben, indem Sie [Kombinierte Datentabelle erstellen] verwenden.
(1) Wählen Sie [Analysieren] > [Modell anpassen] .
(2) Legen Sie die Variable Y fest und legen Sie Zwei-Faktor-Interaktionen fest (z. B. „A, B und A*B“).
In der Standardeinstellung sehen Sie Hebeldiagramme auf der rechten Seite ("A", "B" und "A*B").
(3) Klicken Sie auf das rote Dreiecksmenü bei "A*B" und wählen Sie [Test Slice] aus.
Sie können F-Werte und die p-Werte von „einfachen Effekttests“ sehen. Diese p-Werte sind jedoch nicht an die Mehrfachvergleiche angepasst.
(4) Klicken Sie mit der rechten Maustaste auf eine Tabelle für einen einfachen Effekttest und wählen Sie [Kombinierte Datentabelle erstellen] .
Sie können nun die Testergebnisse in einer JMP-Datentabelle sehen.
(5) Löschen Sie die Zeilen, die Sie nicht interessieren, und lassen Sie nur die Zeilen übrig, die Sie interessieren.
(6) Klicken Sie mit der rechten Maustaste auf die Spaltenüberschrift „Prob>F“ und wählen Sie [Neue Formelspalte] > [Formel...] . Das Formeleditorfenster wird geöffnet.
(7) Geben Sie die folgende Formel ein.
Min(:"Prob > F"n * N Row(), 1);
Klicken Sie auf [OK] , um die Formel anzuwenden und das Fenster zu schließen.
(8) Ändern Sie den Spaltennamen, z. B. „Adj. Prob > F“.
(9) Wählen Sie [Bearbeiten] > [Zeitschrift] . Nun können Sie die Tabelle der Bonferroni-korrigierten p-Werte erstellen.
PS
Ich persönlich rate dringend davon ab, sich ausschließlich auf die Berechnung von p-Werten zu beschränken oder die Philosophie zu vertreten, dass p-Werte alles aussagen. Es gibt aussagekräftigere Grafiken, um die Wechselwirkung zweier Faktoren zu veranschaulichen.
(A) Klicken Sie nach Schritt 2 oben auf das rote Dreieck in der Kontur und wählen Sie [Faktorprofilierung] > [Interaktionsdiagramme] . Das Interaktionsdiagramm wird angezeigt.
(B) Klicken Sie nach Schritt 2 oben auf das rote Dreieck in der Kontur und wählen Sie [Faktorprofilierung] > [Profiler]. Wählen Sie im Vorhersageprofiler [Überlagerte Interaktion]. Diese Darstellung entspricht der Interaktionsdarstellung bei nur zwei Faktoren. Der Vorhersageprofiler ist jedoch interaktiv, sodass Sie mehr als zwei Faktoren interaktiv betrachten können.
(C) Mit dem Graph Builder können Sie weitere Graphen erstellen.
Ich denke außerdem, dass Sie vor der Datenerhebung hätten klären müssen, welche Kontraste Sie testen würden, wenn Sie die Multiplizität tatsächlich korrigieren wollten. Wenn Sie die zu testenden Kontraste erst nach Auswertung der Daten auswählen, wird die Multiplizität nicht korrekt korrigiert.
Betreff: Post-hoc-Test nach zweifaktorieller ANOVA: Wie wendet man die Bonferroni-Korrektur in JMP an?Vielen Dank für Ihre ausführliche Erklärung zur Durchführung des Test-Slice-Verfahrens.
Ich schätze Ihre klare Anleitung sehr und habe meine Analyse auf der Grundlage der von Ihnen vorgegebenen Schritte fortgesetzt.
Ich möchte eine weitere Frage zu meiner aktuellen Analyse stellen.
Derzeit analysiere ich mit JMP Daten aus Tierversuchen (Blutdruck, Pulsfrequenz usw.), die im Rahmen von Arzneimittelverabreichungsstudien gewonnen wurden.
Die Messungen erfolgen wöchentlich, und ich arbeite mit Daten aus 20 Wochen.
Zur Analyse
Ich führe eine zweifaktorielle ANOVA durch, wobei die Art des verabreichten Medikaments (Gruppe) und die Messwoche die Faktoren sind.
Wenn signifikante Gruppenunterschiede festgestellt werden, möchte ich Bonferroni-Post-hoc-Tests durchführen (einfache Effekt-Tests mit Test Slice).
Ich kann die zweifaktorielle ANOVA jedoch selbst durchführen.
Ich kann die Post-hoc-Tests im Nachhinein nicht durchführen, da die wöchentlichen Gruppenvergleiche mit Test Slice nicht wie erwartet aussehen.
Insbesondere,
JMP zeigt die Diagramme im Analysefenster nicht so an, dass die Messwerte auf der Y-Achse und die Messwoche auf der X-Achse für jede Behandlungsgruppe dargestellt werden.
Und ich glaube, dass dies die Wurzel des Problems sein könnte.
Wenn möglich, wäre ich für jeden Ratschlag sehr dankbar.
Welche möglichen Ursachen sollte ich in Betracht ziehen oder welche Einstellungen sollte ich überprüfen?
um diese Situation zu lösen.
Vielen Dank für Ihre Hilfe.
Betreff: Post-hoc-Test nach zweifaktorieller ANOVA: Wie wendet man die Bonferroni-Korrektur in JMP an?Ich bezeichne die beiden Haupteffekte als Woche und Gruppe und den Interaktionseffekt als Woche*Gruppe . Ich nehme an, dass Sie auch den Zufallseffekt der Tiere berücksichtigen. Ich bezeichne ihn als Tier-ID .
Y = Week Group Week*Group Animal ID&Random Effect
Wenn Sie Zufallseffekte in Ihr Modell einbeziehen, wird der Standardfokus auf „Minimaler Bericht“ gesetzt. In diesem Fall müssen Sie die Gliederung „Effektdetails“ öffnen. Dort finden Sie die Gliederung „Gruppe*Woche“ .
Alternativ müssen Sie im Startdialog die Option „Effekthebel für Schwerpunkt“ auswählen.
Bevor Sie Ihre eigenen Daten verwenden, führen Sie bitte die Analyse mit den folgenden Beispieldaten durch.
(1) Wählen Sie Datei > Neu > JSL-Skript . Der Skripteditor wird geöffnet.
(2) Kopieren Sie den folgenden Code und fügen Sie ihn in den Skripteditor ein.
Names Default To Here(1);
Random Reset(1111111);
n group = 2;
n animals per group = 10;
n week = 20;
data = [];
id = 0;
For(group = 1, group <= n group, group++,
For(i=1, i <= n animals per group, i++,
id++;
f = Random Normal();
For(week = 1, week <= n week, week++,
y = week + group + f + Random Normal();
If(week>=10 & group==1, y += 10 - week);
data|/=group||id||week||y;
);
);
);
dt = As Table(data, <
<COLUMN names=""></COLUMN>
<P>(3) Wählen Sie im Skripteditor <STRONG>Bearbeiten</STRONG> > <STRONG>Skript ausführen</STRONG> .<BR /> (4) Führen Sie die obige Analyse durch und prüfen Sie, ob das Ergebnis Ihren Wünschen entspricht.</P> <BR /> <P>Bei zwei Gruppen können Sie die Option <STRONG>„Mehrere Vergleiche“</STRONG> für einfache Effekt-Tests verwenden.</P> <P>(1) Wählen Sie das rote Dreieckssymbol und anschließend <STRONG>Mehrfachvergleiche</STRONG> .<BR /> (2) Wählen Sie <STRONG>Gruppe*Woche</STRONG> in <STRONG>„Effekt auswählen“</STRONG> aus.</P> <P>(3) Aktivieren Sie <STRONG>die Option „Diagramm der kleinsten Quadrate anzeigen“</STRONG> .<BR /> (4) Aktivieren Sie <STRONG>die Option „Interaktionsdiagramm erstellen“</STRONG> .<BR /> (5) Wählen Sie <STRONG>Gruppe</STRONG> unter <STRONG>Begriffe für Overlay</STRONG> auswählen.<BR /> (6) Klicken Sie auf <STRONG>OK</STRONG> . Das Interaktionsdiagramm mit Konfidenzintervallen wird angezeigt.</P> <P><SPAN class="lia-inline-image-display-wrapper lia-image-align-inline" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><SPAN class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><span class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><img src="https://us.v-cdn.net/6038925/uploads/images/104538i41B986728AA6396C/yusuke_ono_2-1779454539349.png" role="button" title="yusuke_ono_2-1779454539349.png" alt="yusuke_ono_2-1779454539349.png" /></span></SPAN></SPAN></P> <BR /> <P>(7) Wählen Sie erneut das rote Dreieckssymbol und anschließend <STRONG>Mehrfachvergleiche</STRONG> .<BR /> (8) Wählen Sie unter <STRONG>„Schätzungstyp“</STRONG> <STRONG>die Option „Schätzungen nach der Methode der kleinsten Quadrate“</STRONG> .<BR /> (9) Wählen Sie <STRONG>„Slice-Begriffe angeben“</STRONG> unter <STRONG>„Slice-Optionen“</STRONG> .<BR /> (10) Wählen Sie <STRONG>Woche</STRONG> unter <STRONG>"Segmentbegriffe auswählen"</STRONG> .<BR /> (11) (Wenn Sie die Bonferroni-Korrektur durchführen möchten) Wählen Sie <STRONG>alle paarweisen Vergleiche aus - Student's</STRONG> .<BR /> (12) Klicken Sie auf <STRONG>OK</STRONG> . Beachten Sie, dass die Ergebnisse nicht auf Mehrfachvergleiche korrigiert sind.<BR /> (13) Klicken Sie mit der rechten Maustaste in die Tabelle <STRONG>„Alle paarweisen Differenzen“</STRONG> und wählen Sie <STRONG>„Kombinierte Datentabelle erstellen“</STRONG> .</P> <P>(14) Berechnen Sie die Bonferroni-korrigierten p-Werte und Konfidenzintervalle.</P> <BR /> <CODE class=" language-jsl">Min( :"Prob>|t|"n * N Row(), 1 )
:Difference - :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
:Difference + :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
Die beiden festen Haupteffekte werden als Woche und Gruppe bezeichnet, ihr Interaktionsterm als Woche*Gruppe . Es ist wahrscheinlich, dass das Modell neben diesen festen Effekten auch individuelle Zufallseffekte für jedes einzelne Tier enthält. Diese Zufallseffekte werden als Tierkennzeichnung bezeichnet. Mit anderen Worten: Das Modell umfasst die folgenden vier Effekte:
Y = Week Group Week*Group Animal ID&Random Effect
Wenn Sie Zufallseffekte in „Modellanpassung“ einbeziehen, liegt der Schwerpunkt standardmäßig auf dem Minimalbericht . In diesem Fall müssen Sie die detaillierte Übersicht der Berichtseffekte öffnen. Dort finden Sie die Gliederung „Gruppe*Woche“ .
Alternativ können Sie im Startdialog „Schwerpunkt“ auf „Hebelverhältnis“ setzen.
Bevor Sie es mit Ihren eigenen Daten ausprobieren, empfehle ich Ihnen, es zunächst mit sauberen, simulierten Daten zu testen, um zu sehen, ob es funktioniert.
(1) Wählen Sie Datei > Neu > JSL-Skript . Der Skripteditor wird geöffnet.
(2) Kopieren Sie den folgenden Code und fügen Sie ihn in den Skripteditor ein.
Names Default To Here(1);
Random Reset(1111111);
n group = 2;
n animals per group = 10;
n week = 20;
data = [];
id = 0;
For(group = 1, group <= n group, group++,
For(i=1, i <= n animals per group, i++,
id++;
f = Random Normal();
For(week = 1, week <= n week, week++,
y = week + group + f + Random Normal();
If(week>=10 & group==1, y += 10 - week);
data|/=group||id||week||y;
);
);
);
dt = As Table(data, <
<COLUMN names=""></COLUMN> <P>(3) Wählen Sie im Skripteditor <STRONG>Bearbeiten</STRONG> > <STRONG>Skript ausführen</STRONG> .</P> <P>(4) Versuchen Sie, die oben beschriebene Analyse durchzuführen und prüfen Sie, ob Sie die gewünschten Ergebnisse erzielen können.</P> <BR /> <P><BR />Bei zwei Gruppen könnte man <STRONG>die Option für Mehrfachvergleiche</STRONG> in Betracht ziehen.</P> <P>(1) Klicken Sie auf die rote Dreiecksschaltfläche oben im Bericht und wählen Sie <STRONG>Mehrere Vergleiche</STRONG> aus.<BR /> (2) Wählen Sie bei <STRONG>der Auswahl des Effekts</STRONG> des aufgerufenen Fensters <STRONG>Gruppe*Woche</STRONG> aus.</P> <P>(3) Aktivieren Sie <STRONG>die Option zur Anzeige des Mittelwertdiagramms der kleinsten Quadrate</STRONG> .<BR /> (4) Aktivieren Sie das Kontrollkästchen, um <STRONG>ein Interaktionsdiagramm zu erstellen</STRONG> .<BR /> (5) Bei <STRONG>der Auswahl des zu überlagernden Modellterms</STRONG> ist <STRONG>Gruppe</STRONG> auszuwählen.<BR /> (6) Durch Klicken auf <STRONG>OK</STRONG> wird ein Interaktionsdiagramm mit eingezeichneten Konfidenzintervallen erstellt.</P> <P><SPAN class="lia-inline-image-display-wrapper lia-image-align-inline" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><SPAN class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><span class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><img src="https://us.v-cdn.net/6038925/uploads/images/104542i97FD4CA2DD1DB016/yusuke_ono_5-1779456371304.png" role="button" title="yusuke_ono_5-1779456371304.png" alt="yusuke_ono_5-1779456371304.png" /></span></SPAN></SPAN></P> <BR /> <BR /> <P>(7) Wählen Sie erneut <STRONG>„Mehrere Vergleiche“</STRONG> über die rote Dreiecksschaltfläche oben im Bericht aus.<BR /> (8) Wählen Sie für <STRONG>die Art der Schätzung</STRONG> <STRONG>die Schätzung des Mittelwerts der kleinsten Quadrate für Querschnittsdaten</STRONG> .<BR /> (9) Wählen Sie in <STRONG>den Slicing-Optionen</STRONG> die Option <STRONG>"Geben Sie das zu slicende Element an"</STRONG> .<BR /> (10) <STRONG>Wählen Sie beim Auswählen des zu unterteilenden Elements die</STRONG> Option <STRONG>Woche</STRONG> aus.<BR /> (11) (Falls Sie später die Bonferroni-Korrektur anwenden) <STRONG>Vergleichen Sie jedes Paar - wählen Sie den Student'schen t-Test</STRONG> .<BR /> (12) Klicken Sie auf <STRONG>OK</STRONG> . Bitte beachten Sie, dass dieses Ergebnis keine Mehrfacheinstellungen berücksichtigt.<BR /> (13) Klicken Sie mit der rechten Maustaste auf die Tabelle der <STRONG>Mittelwertdifferenzen für alle Paare</STRONG> und wählen Sie <STRONG>"Zusammengeführte Datentabelle erstellen"</STRONG> <STRONG>.</STRONG></P> <P>(14) Erstellen Sie eine Formel zur Berechnung des Bonferroni-korrigierten p-Werts und des Konfidenzintervalls.</P> <CODE class="language-jsl">Min( :"Prob>|t|"n * N Row(), 1 )
:Difference - :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
:Difference + :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
Bei 20 Messzeitpunkten und einer Aufteilung der Daten an diesen 20 Punkten (wenn beispielsweise zwei Gruppen vorliegen und nur der Unterschied zwischen diesen beiden Gruppen untersucht wird) ist der korrigierte p-Wert 20-mal so groß wie der ursprüngliche p-Wert. Falls vor der Datenerhebung mehrere Korrekturen angekündigt werden, kann die Multiplizität auch mithilfe von Methoden wie der Fixed-Order-Methode berücksichtigt werden.
Bei 20 Messzeitpunkten ist es möglicherweise möglich, den Effekt jedes Messzeitpunkts als kontinuierliche Variable anstatt als kategoriale Daten zu modellieren.
Wie ich bereits in meiner vorherigen Antwort erwähnte, empfehle ich Ihnen dringend, nicht nur den p-Wert zu berechnen, sondern mithilfe eines Diagrammgenerators den Gesamttrend zu visualisieren. Das obige Skript erstellt für jede einzelne Person eine Kurve, wobei die Wochen auf der horizontalen Achse und die Messwerte auf der vertikalen Achse, farblich nach Gruppe kodiert, dargestellt werden.
Betreff: Post-hoc-Test nach zweifaktorieller ANOVA: Wie wendet man die Bonferroni-Korrektur in JMP an?Mir fällt gerade ein, dass Sie die Tier-ID möglicherweise als festen Effekt festgelegt oder die Methode EMS (Traditionell) ausgewählt haben. In diesem Fall wird die Tier-ID als fester Effekt behandelt.
Selbst wenn Sie den Zufallseffekt auf die Tierkennzeichnung anwenden und EMS (Traditionell) einstellen, basieren viele Ergebnisse auf einem Fixed-Effects-Modell. Lediglich die erwarteten mittleren Quadrate , die Varianzkomponentenschätzungen , die Nennersynthese des Tests und der Test bezüglich der Zufallseffekte basieren auf einem Mixed-Effects-Modell.
Auch wenn ich nicht glaube, was Sie tun möchten, müssen Sie, wenn Sie Tierkennzeichnung wirklich als festen Effekt behandeln wollen, Tierkennzeichnung als verschachtelten Effekt von Gruppe (d. h. Tier-ID[Gruppe] ) festlegen.
Wenn die Tierkennzeichnung innerhalb jeder Gruppe wie unten nummeriert ist und das Tier mit der Tier-ID=1 in Gruppe=1 sich von dem Tier mit der Tier-ID=1 in Gruppe=2 unterscheidet, dann müssen Sie die Tierkennzeichnung immer als verschachtelten Effekt von Gruppe festlegen (d. h. Sie müssen Tier-ID[Gruppe] festlegen) (auch wenn Sie die Tierkennzeichnung in der REML-Schätzung als Zufallseffekt behandeln).
Gruppen-Tierkennzeichnung
1 1
1 2
1 3
1 4
1 5
2 1
2 2
2 3
2 4
2 5
Wenn Ihre Daten wie unten dargestellt aussehen und Sie eine REML-Schätzung durchführen, müssen Sie den verschachtelten Effekt nicht angeben.
(Es ist auch in Ordnung, wenn Sie Tierkennzeichnung als verschachtelten Effekt angeben.)
Gruppen-Tierkennzeichnung
1 1
1 2
1 3
1 4
1 5
2 6
2 7
2 8
2 9
2 10
Das obige Modell, Y = Gruppe Woche Gruppe*Woche Tier-ID & Zufallseffekt mit nominalen Gruppen und Wochen , ist nur eine von vielen möglichen statistischen Modellen. Ich habe lediglich die Einrichtung und Durchführung in der JMP-Software gezeigt und bewerte die Gültigkeit dieses Modells nicht.
Jedenfalls denke ich, dass der erste Schritt darin besteht, die Handlung zu entwerfen.
Mir ist gerade etwas eingefallen: Vielleicht wird die Tierkennzeichnung als fixer Effekt behandelt, oder die Methode ist nicht EMS (konventionell) . In diesem Fall würde die Tierkennzeichnung als fixer Effekt behandelt werden.
Selbst wenn Tierkennzeichnung als Zufallseffekt berücksichtigt wird, basieren viele Ergebnisse bei Verwendung von EMS (konventionell) auf einem Fixed-Effects-Modell, das Tierkennzeichnung als festen Effekt behandelt. Lediglich die erwartete mittlere Quadratsumme , die Varianzkomponentenschätzung , der Nenner des F-Tests und Tests, die Zufallseffekte berücksichtigen, basieren auf einem Mixed-Effects-Modell, das Tierkennzeichnung als Zufallseffekt behandelt.
Ich glaube nicht, dass Sie das analysieren möchten, aber falls Sie Tierkennzeichnung tatsächlich als festen Effekt analysieren möchten, müssen Sie Tierkennzeichnung als einen von Gruppe abgeleiteten Effekt namens " Tier-ID[Gruppe] " festlegen.
Wenn die Tierkennzeichnungen für jede Gruppe wie unten dargestellt nummeriert sind und Tier-ID=1 in Gruppe 1 eine andere Person ist als Tier -ID=1 in Gruppe 2, dann muss die Tierkennzeichnung als Verzweigungseffekt behandelt werden (d. h. Tier-ID[Gruppe] ). (Diese Einstellung ist auch erforderlich, wenn die Tierkennzeichnung als Zufallseffekt behandelt und eine REML-Schätzung durchgeführt wird.)
Gruppen-Tierkennzeichnung
1 1
1 2
1 3
1 4
1 5
2 1
2 2
2 3
2 4
2 5
Wenn Ihre Daten wie folgt strukturiert sind, die Tier-ID als Zufallseffekt festgelegt ist und Sie eine REML-Schätzung durchführen, müssen Sie die Tierkennzeichnung nicht als Verzweigungseffekt angeben. (Sie können sie jedoch als Verzweigungseffekt angeben, wenn Sie dies bevorzugen. Wenn Ihre Daten wie folgt strukturiert sind und Sie eine REML-Schätzung verwenden, sind beide Ansätze akzeptabel.)
Gruppen-Tierkennzeichnung
1 1
1 2
1 3
1 4
1 5
2 6
2 7
2 8
2 9
2 10
Es sei darauf hingewiesen, dass das Modell Y = Gruppe Woche Gruppe*Woche Tier-ID & Zufallseffekte , das Gruppe und Woche als Nominalskalen behandelt, nur eines von vielen möglichen Modellen ist. Die obigen Ausführungen beschreiben lediglich die Softwareeinstellungen und die Vorgehensweise und gehen nicht darauf ein, ob dieses Modell gültig ist.
Ich denke, der erste Schritt ist auf jeden Fall, zu versuchen, ein Diagramm zu zeichnen.
