Tôi đã xem xét rất nhiều bộ dữ liệu R, bài đăng trong DASL và các nơi khác, và tôi không tìm thấy nhiều ví dụ hay về bộ dữ liệu thú vị minh họa phân tích hiệp phương sai cho dữ liệu thử nghiệm. Có rất nhiều bộ dữ liệu "đồ chơi" với dữ liệu được lập trong sách giáo khoa.
Tôi muốn có một ví dụ trong đó:
- Dữ liệu là có thật, với một câu chuyện thú vị
- Có ít nhất một yếu tố điều trị và hai hiệp phương sai
- Ít nhất một đồng biến bị ảnh hưởng bởi một hoặc nhiều yếu tố điều trị và một không bị ảnh hưởng bởi các phương pháp điều trị.
- Thử nghiệm hơn là quan sát, tốt nhất là
Lý lịch
Mục tiêu thực sự của tôi là tìm một ví dụ tốt để đặt họa tiết cho gói R của tôi. Nhưng một mục tiêu lớn hơn là mọi người cần xem các ví dụ tốt để minh họa một số mối quan tâm quan trọng trong phân tích hiệp phương sai. Hãy xem xét kịch bản trang điểm sau đây (và xin vui lòng hiểu rằng kiến thức về nông nghiệp của tôi là tốt nhất).
- Chúng tôi làm một thí nghiệm trong đó phân bón được phân ngẫu nhiên thành các ô, và một vụ mùa được trồng. Sau một thời gian sinh trưởng thích hợp, chúng tôi thu hoạch vụ mùa và đo lường một số đặc tính chất lượng - đó là biến phản ứng. Nhưng chúng tôi cũng ghi lại tổng lượng mưa trong thời kỳ sinh trưởng và độ chua của đất tại thời điểm thu hoạch - và, tất nhiên, phân bón nào đã được sử dụng. Vì vậy, chúng tôi có hai hiệp phương sai và điều trị.
Cách thông thường để phân tích dữ liệu kết quả sẽ phù hợp với một mô hình tuyến tính với việc xử lý như là một yếu tố và các hiệu ứng cộng cho các hiệp phương sai. Sau đó, để tóm tắt kết quả, người ta tính toán "phương tiện điều chỉnh" (phương pháp bình phương nhỏ nhất của AKA), đó là những dự đoán từ mô hình cho mỗi loại phân bón, với lượng mưa trung bình và độ axit trung bình của đất 3. Điều này đặt mọi thứ lên một mức bằng nhau, bởi vì sau đó khi chúng ta so sánh các kết quả này, chúng ta đang giữ lượng mưa và độ axit không đổi.
Nhưng đây có lẽ là điều sai lầm - vì phân bón có thể ảnh hưởng đến độ chua của đất cũng như phản ứng. Điều này làm cho điều chỉnh có nghĩa là sai lệch, bởi vì hiệu quả điều trị bao gồm ảnh hưởng của nó đối với tính axit. Một cách để xử lý vấn đề này là loại bỏ tính axit ra khỏi mô hình, sau đó các phương tiện điều chỉnh lượng mưa sẽ cung cấp một so sánh công bằng. Nhưng nếu tính axit là quan trọng, sự công bằng này có chi phí lớn, trong sự gia tăng biến đổi dư.
Có nhiều cách để khắc phục điều này bằng cách sử dụng phiên bản điều chỉnh độ axit trong mô hình thay vì giá trị ban đầu của nó. Bản cập nhật sắp tới cho các lsmeans gói R của tôi sẽ giúp việc này hoàn toàn dễ dàng. Nhưng tôi muốn có một ví dụ tốt để minh họa nó. Tôi sẽ rất biết ơn và sẽ thừa nhận, bất cứ ai có thể chỉ cho tôi một số bộ dữ liệu minh họa tốt.