Учитывая следующую экспериментальную установку:
Многократные образцы взяты от предмета, и каждый образец обработан многократными способами (включая контрольную обработку). Что в основном интересно, так это разница между контролем и каждым лечением.
Я могу думать о двух простых моделях для этих данных. Для образца , обработка j , обработка 0 - контроль, пусть Y i j - данные, γ i - базовая линия для образца i , δ j - разница для обработки j . Первая модель смотрит как на контроль, так и на разницу:
δ 0 = 0
Пока вторая модель смотрит только на разницу. Если мы предвычислять заранее д я J = Y я J - Да я 0 , то д я J = δ J + ε я J
Мой вопрос: в чем принципиальные различия между этими двумя настройками? В частности, если уровни сами по себе бессмысленны и имеет значение только различие, делает ли первая модель слишком много и, возможно, недостаточно сильна?
источник
Ответы:
Во-первых, эти термины представляют ошибку измерения и отклонения от аддитивной модели. С разумной осторожностью - например, путем рандомизации последовательности измерений - эти ошибки можно сделать независимыми, когда модель точна. Откуда
Корреляция может быть существенной. Для ошибок iid аналогичный расчет показывает, что он равен 0.5. Если вы не используете процедуры, которые явно и правильно обрабатывают эту корреляцию, предпочтите первую модель второй.
источник