3 yollu ANOVA tablosundan faktörleri kaldırma

14

Yakın tarihli bir makalede, üç yönlü sabit efekt modelleri taktım. Faktörlerden biri anlamlı olmadığı için (p> 0.1), onu kaldırdım ve iki sabit etki ve bir etkileşim ile modeli yeniden taktım.

Alıntı yapmak için hakem yorumlarım oldu:

Bu zaman, 3-yollu ANOVA'da önemli bir faktör değildi, zaman faktörünün bir araya getirilmesi için yeterli bir kriter değildir: bu konudaki standart metin Underwood 1997, anlamlı olmayan bir etki için p-değerinin bir faktörün tedavi seviyeleri bir araya getirilmeden önce 0.25'ten daha fazladır. Yazarlar burada ilgili p-değerini vermeli ve havuzlarını Underwood 1997'ye referansla gerekçelendirmelidir.

Sorularım:

0.25 kuralını hiç duymadım. Başkası var mı? P-değeri kesime yakın olsaydı faktörü kaldırmamayı anlayabilirim, ancak bir "kural" a sahip olmak biraz aşırı görünüyor.
Bu hakem Underwood 1997'nin standart metin olduğunu belirtir . Gerçekten mi? Bunu hiç duymamıştım. Standart metin ne olurdu (böyle bir şey var mı)? Maalesef 1997'deki Underwood'a erişimim yok.
Hakemlere cevap verirken her türlü tavsiye.

Arka plan: Bu makale istatistiksel olmayan bir dergiye gönderildi. Üç yollu modeli takarken etkileşim efektlerini kontrol ettim.

anova fixed-effects-model

— csgillespie
kaynak

Underwood'un ders kitabını hiç duymadım, ancak bu makale havuzlamanın artılarını ve eksilerini tartışıyor gibi görünüyor: ANOVA tablolarında havuzlamanın pratiği (Hines, Am. Stat. 1996). Şimdi, Sokal ve Rohlf'in (1995) de çok muhafazakar değerleri düşünmeyi önerdiğini hatırlıyorum ( ); Daha iyi referanslar gelmedikçe, bir cevap göndermeden önce kontrol etmem gerekiyor.

p \geq .25

$p\geq .25$

— chl

2

Sadece bir yorum. temelli bir kılavuz , bir değerinin kötüye kullanılması gibi kokar , çünkü anlamlı olmayan bir değeri kanıt olmayan bir ölçü değildir. Yana -değerleri eşit geçersiz hipoteze göre dağıtılır, neden sadece bir (önyargılı) yazı tura olmasın? Sonuç aynıdır ve en azından uyuşturucu olmak konusunda dürüsttür. (Tamam,

p \geq s o m e t h i n g

$p \geq something$

p

$p$

p

$p$

p

$p$

5

Bu, bir hakeme ilginç bir yanıt olacaktır: "Hakemlere yorumları için teşekkür ederiz, ancak biraz uyuşturucu olduklarını düşünüyoruz";) Yine de iyi yorum.

— csgillespie

15

Söz konusu Underwood'un Ekolojide Deneyler olduğunu tahmin ediyorum (Cambridge Press 1991). Ekolojik bilimlerde az ya da çok standart bir referans, belki de Zar ve Sohkol ve Rohlf'in arkasındaki üçüncü (ve bence üçün en 'okunabilir')

Bir kopyasını bulabilirseniz, hakeminizin atıf yaptığı ilgili bölüm s.273'te 9.7'de bulunur. Orada Underwood, önemli olmayan faktörler için önerilen bir havuzlama prosedürü önerir (yani 'kural' değil ). Açıkçası ben tam olarak anlamıyorum 2 adımlı bir prosedür, ancak sonuç p = 0.25 önemli olmayan faktörü (yani 'zaman' ile ilgisi yok havuzda yaparken Tip I hata olasılığını azaltmak için önerilmektedir örneğin, herhangi bir sig olmayan faktör olabilir).

Prosedür aslında Underwood'unki gibi görünmüyor, kendisi Winer ve arkadaşlarına ( Deney Tasarımında İstatistiksel Prosedürler McGraw-Hill) atıfta bulunuyor . Underwood'un bir kopyasını bulamazsanız orada deneyebilirsiniz.

— Chris
kaynak

4

+1 Güzel bir cevap: açık, anlaşılır ve güvenilir.

— whuber

@Chris, yukarıdaki "Tip II hata olasılığını azalt" (tip I değil) demek istiyor musunuz? Modelden faktörleri çıkarmama motivasyonu, gerçek nedenlerin (yani, değişkenin sonuçlandırılmasının Tip II'nin hiçbir etkisi yoktur) düşük güçlü çalışmaların önlenmesini ve aynı zamanda modelde kalan parametrelerin belirgin etkisini şişirmeyi önlemektir. şimdi kaldırılan değişkenle ilişkilidir. Yan etki Tip I hataları üreteceğinden, belki de Underwood hem Tip 1 hem de Tip II hatalarını kontrol etmek için bırakma efektleri öneriyor, yani model geçerliliğini en üst düzeye çıkarıyor?

— tim

10

Bu tür kesme tabanlı kurallardan nefret ediyorum. Bence tasarıma ve a priori hipotezlerinizin ve beklentilerinizin ne olduğuna bağlı . Sonucun zamana göre değişmesini bekliyorsanız, diğer herhangi bir 'engelleme' faktörü için olduğu gibi zaman tutmanız gerektiğini söyleyebilirim. Öte yandan, aynı deneyleri farklı zamanlarda tekrarlıyorsanız ve sonucun zamana göre değişeceğini düşünmek için hiçbir nedeniniz yoksa, ancak durumun bu olduğunu kontrol etmek istediyseniz, bunu yaptınız ve zaman, sonra zaman bırakmanın oldukça makul olduğunu söyleyebilirim.

Daha önce hiç Underwood'u duymamıştım. O (Kitabın başlığını) 'Ekoloji Denemeler' için standart bir metin olabilir, ancak ekoloji deneyler bu konuda herhangi bir başka denemeler arasında farklı muamele edilmesi gerektiğini belirgin nedeni, "gibi kullanmak için, orada standart metin üzerinde bu konu "haksız görünüyor.

— bir durak
kaynak

1

Deneyden önce faktörün önemli olacağına inanılıyordu. Bununla birlikte, diğer iki etki tarafından gömüldü. Faktörü kaldırdım, çünkü onu tutmak sonuçları değiştirmedi ve sadece açıklamayı zorlaştırdı.

— csgillespie

2

Hmm, bu durumda ben bunu saklıyorum sanırım. Açıklamayı neden daha da zorlaştırdığını göremiyorum ve keşfettiğiniz gibi neden bıraktığınızı açıklamak neden daha zor olabilir!

— onestop

% 100 katılmama rağmen, fikrinizi kabul ediyorum. Faktörü kaldırmanız gerektiğini öne süren başka bir hakemi kolayca görebiliyordum (biyo-istatistikçilerin de konuşmamı tavsiye ettiği şey). Bahsettiğiniz gibi, gri bir alan olduğunda keyfi bir kural gitmek için bir yol değildir. Eğer yanıltmak isteseydik, asla diğer faktörün dahil olduğunu söylemezdik! Tamamen etik dışı, ama bunun olduğundan şüpheleniyorum.

— csgillespie

1

Lütfen Underwood metnini ve içindeki referansları okuyun, bu bir kural değil, lütfen okuyun. Aslında bu yaklaşım, modeldeki "anlamlı olmayan" bir terimi kaldırırken (veya havuzda toplarken) tip II hatasını kontrol etmektir. Kaldırdığınız terimin anlamlılık düzeyi 0.06 ise? Beklenen MS'nin faktör nedeniyle ek bir etki içermediğinden gerçekten emin misiniz ?. Bu terimi kaldırırsanız, beklenen MS'in bu tedavi nedeniyle ek etki içermediğini varsayıyorsunuz.Ama tip II hatasına karşı biraz korunmalısınız !. lütfen benim fakir ve acele İngilizce bahane !.

— AnastD
kaynak