Jak mogę testować efekty w analizie ANOVA typu split-plot, używając odpowiednich porównań modeli do użycia z argumentami X
i w R? Znam i Dalgaard (2007) [1]. Niestety szczotkuje tylko projekty Split-Plot. Robi to w całkowicie losowy sposób z dwoma czynnikami wewnątrz badanych:M
anova.mlm()
?anova.mlm
N <- 20 # 20 subjects total
P <- 3 # levels within-factor 1
Q <- 3 # levels within-factor 2
DV <- matrix(rnorm(N* P*Q), ncol=P*Q) # random data in wide format
id <- expand.grid(IVw1=gl(P, 1), IVw2=gl(Q, 1)) # intra-subjects layout of data matrix
library(car) # for Anova()
fitA <- lm(DV ~ 1) # between-subjects design: here no between factor
resA <- Anova(fitA, idata=id, idesign=~IVw1*IVw2)
summary(resA, multivariate=FALSE, univariate=TRUE) # all tests ...
Poniższe porównania modeli prowadzą do tych samych wyników. Model ograniczony nie obejmuje danego efektu, ale wszystkie inne efekty tego samego lub niższego rzędu, pełny model dodaje dany efekt.
anova(fitA, idata=id, M=~IVw1 + IVw2, X=~IVw2, test="Spherical") # IVw1
anova(fitA, idata=id, M=~IVw1 + IVw2, X=~IVw1, test="Spherical") # IVw2
anova(fitA, idata=id, M=~IVw1 + IVw2 + IVw1:IVw2,
X=~IVw1 + IVw2, test="Spherical") # IVw1:IVw2
Projekt Split-Splot z jednym czynnikiem wewnątrz i jednym między podmiotami:
idB <- subset(id, IVw2==1, select="IVw1") # use only first within factor
IVb <- gl(2, 10, labels=c("A", "B")) # between-subjects factor
fitB <- lm(DV[ , 1:P] ~ IVb) # between-subjects design
resB <- Anova(fitB, idata=idB, idesign=~IVw1)
summary(resB, multivariate=FALSE, univariate=TRUE) # all tests ...
Są to anova()
polecenia do replikacji testów, ale nie wiem, dlaczego działają. Dlaczego testy następujących porównań modeli prowadzą do takich samych wyników?
anova(fitB, idata=idB, X=~1, test="Spherical") # IVw1, IVw1:IVb
anova(fitB, idata=idB, M=~1, test="Spherical") # IVb
Dwa czynniki wewnętrzne i jeden czynnik wewnętrzny:
fitC <- lm(DV ~ IVb) # between-subjects design
resC <- Anova(fitC, idata=id, idesign=~IVw1*IVw2)
summary(resC, multivariate=FALSE, univariate=TRUE) # all tests ...
Jak zreplikować wyniki podane powyżej z odpowiednimi porównaniami modeli do użycia z argumentami X
i ? Jaka jest logika tych porównań modeli?M
anova.mlm()
EDYCJA: suncoolsu wskazało, że dla wszystkich praktycznych celów dane z tych projektów powinny być analizowane przy użyciu modeli mieszanych. Jednak nadal chciałbym zrozumieć, jak powielić wyniki summary(Anova())
z anova.mlm(..., X=?, M=?)
.
[1]: Dalgaard, P. 2007. Nowe funkcje analizy wielowymiarowej. R News, 7 (2), 2-7.
lme4
pakietu dopasowanego do modelu ORAZ NIElm
. Ale może to być bardzo specyficzny widok oparty na książkach. Pozwolę komentować na ten temat. Mogę podać przykład na podstawie tego, jak interpretuję to, co różni się od twojego.Odpowiedzi:
X
IM
w zasadzie określić dwa modele, które chcesz porównać, ale tylko pod względem wewnątrzlaboratoryjnych temat skutków; następnie pokazuje wyniki interakcji wszystkich efektów między podmiotami (w tym przechwytywania) z efektami wewnątrz podmiotu, które zmieniły się międzyX
iM
.Twoje przykłady
fitB
są łatwiejsze do zrozumienia, jeśli dodamy wartości domyślneX
iM
:Pierwszym modelem jest zmiana z braku efektów wewnątrz podmiotu (wszystkie mają tę samą średnią) na inną średnią dla każdego, dlatego dodaliśmy
id
efekt losowy, który jest właściwy do przetestowania ogólnego przechwytywania i ogólnego efektu między podmiotami na.Drugi model reklamuje
id:IVw1
interakcję, którą należy przetestować,IVw1
a takżeIVw1:IVb
warunki. Ponieważ istnieje tylko jeden efekt wewnątrz podmiotu (z trzema poziomami), uwzględniany jest domyślnydiag(3)
w drugim modelu; byłoby to równoważne z uruchomieniemWydaje mi się
fitC
, że te polecenia odtworząAnova
podsumowanie.Teraz, jak odkryłeś, te polecenia są naprawdę trudne. Na szczęście nie ma już powodu, aby z nich korzystać. Jeśli chcesz założyć sferyczność, powinieneś po prostu użyć
aov
, lub dla jeszcze łatwiejszej składni, po prostu użyćlm
i obliczyć odpowiednie testy F. Jeśli nie chcesz zakładać sferyczności, używanielme
jest naprawdę dobrym rozwiązaniem, ponieważ masz znacznie większą elastyczność niż w przypadku poprawek GG i HF.Na przykład, oto kod
aov
ilm
dla twojegofitA
. Najpierw musisz mieć dane w długim formacie; Oto jeden ze sposobów, aby to zrobić:A oto
lm and
kod aov:źródło
anova()
powoduAnova()
opisanego tutaj problemu . Ale twoja ostatnia sugestia działa równie dobrze i jest prostsza. (Drobna sprawa: myślę, że w ostatnich 2 liniach brakuje 1 zamykającego nawiasu i należy przeczytaćError(id/(IVw1*IVw2))
)Projekty podzielonej działki powstały w rolnictwie, stąd nazwa. Ale często się zdarzają i powiedziałbym - koń większości badań klinicznych. Główny wykres traktuje się poziomem jednego czynnika, podczas gdy poziomy niektórych innych czynników mogą się różnić w zależności od wykresów podrzędnych. Projekt powstaje w wyniku ograniczeń pełnej randomizacji. Na przykład: pole można podzielić na cztery wykresy cząstkowe. Możliwe jest sadzenie różnych odmian w podplotach, ale na całym polu można zastosować tylko jeden rodzaj nawadniania. Nie rozróżnienie między podziałami i blokami. Bloki są cechami jednostek eksperymentalnych, z których mamy możliwość skorzystać w projekcie eksperymentalnym, ponieważ wiemy, że tam są. Z drugiej strony podziały nakładają ograniczenia na możliwe przypisania czynników. Nakładają na projekt wymagania, które uniemożliwiają całkowitą randomizację.
Są one często stosowane w badaniach klinicznych, w których jeden czynnik można łatwo zmienić, podczas gdy inny czynnik wymaga znacznie więcej czasu. Jeśli eksperymentator musi wykonać wszystkie przebiegi dla każdego poziomu trudnego do zmiany współczynnika kolejno, powstaje projekt podziału wykresu, przy czym trudny do zmiany współczynnik reprezentuje cały współczynnik wykresu.
Oto przykład: W próbie rolniczej celem było określenie skutków dwóch odmian upraw i czterech różnych metod nawadniania. Osiem pól było dostępnych, ale dla każdego pola można zastosować tylko jeden rodzaj nawadniania. Pola mogą być podzielone na dwie części o różnych odmianach w każdej części. Cały współczynnik powierzchni stanowi nawadnianie, które należy losowo przypisać do pól. W obrębie każdego pola odmiana jest przypisana.
Oto jak to zrobić w
R
:Zasadniczo, co mówi ten model, nawadnianie i różnorodność są ustalonymi efektami, a różnorodność jest zagnieżdżona w nawadnianiu. Pola są efektami losowymi i obrazowo będą podobne
Był to jednak specjalny wariant ze stałym efektem całej fabuły i efektem podplotu. Mogą istnieć warianty, w których jeden lub więcej jest losowych. Mogą być bardziej skomplikowane projekty, takie jak split-split .. projekty fabuły. Zasadniczo możesz oszaleć i zwariować. Ale biorąc pod uwagę, że podstawowa struktura i rozkład (tj. Stały lub losowy, zagnieżdżony lub skrzyżowany, ...) jest jasno zrozumiany, model nie
lmer-Ninja
będzie miał problemów z modelowaniem. Być może interpretacja będzie bałaganem.Jeśli chodzi o porównania, powiedz, że masz
lmer1
ilmer2
:da ci odpowiedni test oparty na statystyce testu chi-sq ze stopniami swobody równymi różnicy parametrów.
por .: Faraway, J., Rozszerzanie modeli liniowych o R.
Casella, G., Projekt statystyczny
źródło