Qu'est-ce qui a inspiré cette demande de liste de souhaits ?
La plateforme Fit Y by X ne peut pas analyser les données d'un plan expérimental en blocs incomplets randomisés (RICBD), c'est-à-dire si les blocs sont déséquilibrés, c'est-à-dire qu'une parcelle (ou plus) est manquante dans un bloc (ou plus), et par conséquent, dans JMP 18, la plateforme Fit Y by X a automatiquement invoqué SLS dans Fit Model, et c'est ce dont les utilisateurs avaient besoin !
Malheureusement, cette fonctionnalité très importante et très utile a été supprimée dans JMP 19, et JMP invoque à la place un modèle mixte dans la plateforme Fit Model, afin de permettre un test valide pour les variances inégales (voir la section justification détaillée ).
Quelle amélioration souhaiteriez-vous voir ?
Il suffit de rétablir la méthode utilisée dans JMP 18 pour gérer ce problème. Ou, à titre d'alternative (moins souhaitable), d'ajouter une option (par exemple dans le menu des préférences à un facteur) permettant à JMP de gérer le cas du plan d'expérience en blocs incomplets randomisés avec l'option « Ajuster le modèle - Ajuster les moindres carrés » (de la même manière que dans JMP 18, c'est-à-dire sans test de variances inégales disponible).
Pourquoi cette idée est-elle importante ?
De nombreux chercheurs utilisant Fit Oneway ne sont pas familiarisés avec les approches de modélisation mixte et peuvent ignorer que JMP traite le bloc comme un facteur aléatoire (et non comme un facteur fixe), avec une structure de variance inégale (répétée sur le facteur X). Les chercheurs, scientifiques et ingénieurs utilisant Fit Oneway privilégient souvent le modèle le plus simple (le moins complexe sur le plan technique et statistique), avec lequel ils sont généralement plus à l'aise. L'hypothèse d'égalité des variances est souvent appropriée à leur situation expérimentale.
L'utilisation d'un flux de travail par défaut pour l'ajustement du modèle de régression SLS pour RICBD dans Fit Oneway offre aux utilisateurs une flexibilité maximale sans qu'ils aient à quitter la plateforme. En effet, depuis JMP 19, pour ajuster ce modèle, pourtant plus simple, ils doivent accéder à Analyser > Ajuster le modèle et y spécifier le modèle de régression SLS. Ceci est particulièrement vrai pour les utilisateurs de la version standard de JMP, qui ne peuvent pas générer de tests de moyennes des moindres carrés dans le rapport Fit Mixed produit par Fit Oneway (Fit Mixed étant une fonctionnalité exclusive à JMP Pro).
Justification détaillée de l'importance de cette idée ?
En génétique quantitative, modèles mixtes sont utilisées pour analyser les données issues de populations généalogiques. Dans ce type de recherche, l'objectif principal est d'estimer les composantes de variance entre les familles de descendants obtenus par croisements aléatoires. On considère les pères (pères) et les mères (mères) et on utilise ces composantes de variance pour calculer des estimations d' héritabilité . Ces estimations d'héritabilité constituent l'unique objectif de ce type de recherche, tandis que les effets fixes du modèle (par exemple, la couvée lorsque la population étudiée comprend plusieurs couvées, ou le bâtiment d'élevage lorsqu'il y en a plusieurs) ne sont ajoutés que pour éliminer ces effets non génétiques des données.
De plus, l'objectif de nombreuses expériences standard, tant dans l'enseignement que dans l'industrie, est de comparer les moyennes des différentes alternatives (appelées « traitements » dans d'autres termes, et « niveaux » dans JMP) des facteurs à effets fixes (variétés, matériaux de litière, méthode pédagogique, etc.). L'accent est donc mis sur les moyennes des moindres carrés (LSMeans) de ces « niveaux » et sur la signification des différences observées entre eux.
L'objectif de l'utilisation de RCBD, généralement avec seulement 4 à 6 blocs, est uniquement de supprimer la variation entre ces blocs de la variance d'erreur, afin de réduire les erreurs standard des moyennes estimées des « niveaux » à effet fixe.
Cependant, comme l'objectif de telles expériences est également de comparer explicitement les moyennes des moindres carrés (LSMeans) des niveaux des facteurs, le rapport SLS de la fonction « Fit Model » présente un avantage pratique par rapport au rapport « Fit Mixed » standard de JMP. En effet, il propose six tests de comparaisons multiples différents. L'utilisation de l'un de ces tests est indispensable dans ce cas, et par conséquent, le rapport SLS de la fonction « Fit Model » doit être utilisé par défaut pour l'analyse des données issues d'expériences RCBD lorsqu'une ou plusieurs données (ou « points ») sont manquantes.
Bonjour @AvigdorC , merci pour votre contribution. Nous allons traiter ce problème en interne.
@Valerie_Nedbal Voici quelques commentaires supplémentaires de @AvigdorC que nous pouvons prendre en compte :
D'après leurs nombreux échanges avec des centaines d'utilisateurs de JMP et de chercheurs qui l'utilisent régulièrement, il apparaît que la plupart d'entre eux ne s'intéressent pas aux détails statistiques et aux subtilités des modèles mixtes, notamment à leur interprétation et aux différences entre les résultats de la fonction « Fit Mixed » et ceux de la fonction « Fit SLS ». De plus, les revues dans lesquelles ces chercheurs publient leurs articles scientifiques ne se préoccupent pas non plus du niveau de sophistication statistique offert par la fonction « Fit Mixed » lorsque la variable « Block » est assignée comme aléatoire.
En résumé, leur position est que la plupart des utilisateurs de JMP bénéficieront du retour du comportement de JMP 18 en ce qui concerne la soumission de données de blocs déséquilibrés à Fit Y by X (la seule plateforme JMP de base avec l'option flexible de spécifier un facteur de bloc).
