Bağımsız olmayan gözlemlerle ANOVA

Bu sorunun ayrıntılı arka planı için üzgünüm:

Bazen hayvan davranışı araştırmalarında, bir deneyci bir deneğin bir test cihazında önceden tanımlanmış farklı bölgelerde geçirdiği zaman miktarı ile ilgilenir. ANOVA kullanılarak analiz edilen bu tür verileri sıklıkla gördüm; ancak, ANOVA'nın gözlemlerin bağımsız olduğunu varsaydığı ve bu analizlerde asla bağımsız olmadıkları göz önüne alındığında, bu analizlerin geçerliliğine asla tamamen ikna olmadım (çünkü bir bölgede daha fazla zaman harcanması, diğer bölgelerde daha az harcanan anlamına gelir! ).

Örneğin,

DR Smith, CD Striplin, AM Geller, RB Mailman, J. Drago, CP Lawler, M. Gallagher, D1A dopamin reseptörleri olmayan farelerin davranışsal değerlendirmesi , Sinirbilim, Cilt 86, Sayı 1, 21 Mayıs 1998, Sayfa 135-146

Yukarıdaki makalede, bağımsızlığı telafi etmek için özgürlük derecelerini 1 azaltmaktadırlar. Ancak, böyle bir manipülasyonun bu ANOVA varsayımlarının ihlalini nasıl gerçekten iyileştirebileceğinden emin değilim.

Belki de ki kare bir prosedür daha uygun olabilir? Bunun gibi verileri analiz etmek için ne yapardınız (bölgeler için harcanan zamana dayalı bölgeler tercihi)?

Teşekkürler!

(Uyarı Emptor: Bu alanda uzman değilim)

Sadece konum başına harcanan zaman farklılıkları hakkında konuşmak istiyorsanız, "rastgele bir efekt olarak" çok konumlu karışık modelde (konum için RM için MCMCglmm paketine bakın) verileri "konum başına zaman" olarak göndermeniz gerekir. Numara.

Eğer konum tercihi farklar hakkında konuşmak istersen aracılığıyla zaman, o zaman (belki zamanlama cihazının? Çözünürlüğü) makul aralıklarla belki bin kez (o zamanki farenin konumuna göre her aralığını sınıflandırmak örn. 3 yerlerde ise, her aralık 1, 2 veya 3 olarak etiketlenir ve tekrar rastgele bir efekt olarak özne ile birlikte bir multinomial karışık efekt modeli kullanın, ancak bu kez sabit bir etki olarak aralık ekleyin (ancak muhtemelen sadece gücü düşüren ancak zaman içinde doğrusal olmama durumlarını yakalar).

Mike,

Toplam süreye dayanan bir ANOVA'nın muhtemelen burada doğru yaklaşım olmadığını kabul ediyorum. Dahası, Chi Sqaure'un sorununuzu çözdüğüne ikna olmadım. Ki kare, aynı anda iki konumda olamayacağınız fikrine saygı gösterecektir, ancak N zamanı ile N + 1 zamanı arasında olası bağımlılıklar olduğu sorununa değinmez. Bu ikinci sorunla ilgili olarak, durumunuz ile insanların göz ve fare izleme verileriyle karşılaştıkları arasında bazı benzerlikler görüyorum. Bir çeşit çok terimli model amaçlarınıza iyi hizmet edebilir. Ne yazık ki, bu modelin detayları benim uzmanlığımın ötesinde. Eminim ki bir yerdeki bazı istatistik kitaplarının bu konuda güzel küçük bir astarı vardır, ama başımın üstünde seni işaret ederim:

• Barr DJ (2008) Çok seviyeli lojistik regresyon kullanarak 'görsel dünya' gözetleme verilerinin analizi. Bellek ve Dil Dergisi, Özel Sayı: Yeni Veri Analizi (59) s 457-474
• https://r-forge.r-project.org/projects/gmpm/ , Dr. Barr tarafından geliştirilen aynı konuya parametrik olmayan bir yaklaşımdır.

Bir şey varsa, bu kaynakların her ikisi de eksiksiz olmaktan daha fazlası olmalıdır, çünkü pozisyonun zaman sürecini nasıl analiz edeceklerine girerler.

Uzamsal olarak ilişkili hataları (ve uzamsal olarak ilişkili ortak değişkenleri) olan modellere bakın . Kısa bir giriş, referanslarla GeoDa mevcuttur burada . Çok sayıda metin var; iyi olanlar Noel Cressie , Robert Haining ve Fotheringham et al (son bağlantı bir kitap sitesine değil, bir özete gider). Bazı R kodları son zamanlarda ortaya çıkıyor, ancak bilmiyorum.

Geleneksel bir ANOVA'dan çok farklı bir cevap önereceğim. T, bir hayvanın tüm bölgelerde harcayabileceği toplam süre olsun. T'yi toplam uyanma süresi miktarı veya bunun gibi bir miktar olarak tanımlayabilirsiniz. Diyelim ki J bölgeniz var. Sonra tanım gereği:

Toplam T_j = T

Lhs ve rhs'yi T'ye bölerek yukarıdakileri normalleştirebilirsiniz ve

Toplam P_j = 1

buradaki P_j, bir hayvanın j bölgesinde harcadığı zaman oranıdır.

Şimdi soru, P_j'nin tüm j için 1 / J'den önemli ölçüde farklı olup olmadığıdır.

P_j'nin bir dirichlet dağılımını izlediğini varsayabilir ve iki modeli tahmin edebilirsiniz.

Boş Model

Dağılımın parametrelerini P_j = 1 / J olacak şekilde ayarlayın. (Dağılımın parametrelerini 1 olarak ayarlamak.

Alternatif Model

Dağılımın parametrelerini bölgeye özgü ortak değişkenlerin bir fonksiyonu olacak şekilde ayarlayın. Daha sonra model parametrelerini tahmin edebilirsiniz.

Bazı ölçütlerde null modelden daha iyi performans gösteriyorsa alternatif modeli seçersiniz (örneğin, olasılık oranı).