Удаление факторов из таблицы ANOVA с 3 путями

14

В недавней статье я установил трехсторонние модели с фиксированными эффектами. Поскольку один из факторов не был значимым (p> 0,1), я удалил его и переосмыслил модель с двумя фиксированными эффектами и взаимодействием.

У меня только что были комментарии судей, чтобы процитировать:

Это время не было значимым фактором, поскольку трехфакторный ANOVA сам по себе не является достаточным критерием для объединения временного фактора: стандартный текст по этому вопросу, Андервуд 1997, утверждает, что значение p для незначительного эффекта должно быть больше чем 0,25 до того, как уровни обработки фактора могут быть объединены. Авторы должны привести соответствующее значение p здесь и обосновать их объединение со ссылкой на Underwood 1997.

Мои вопросы:

  1. Я никогда не слышал о правиле 0,25. Есть кто-нибудь еще? Я могу понять, не убирая фактор, если значение p было близко к порогу, но иметь «правило» кажется немного экстремальным.
  2. Этот судья утверждает, что Underwood 1997 является стандартным текстом. Это правда? Я никогда не слышал об этом. Каким будет стандартный текст (такая вещь существует)? К сожалению, у меня нет доступа к этому Андервуду, 1997.
  3. Любые советы при ответах судьям.

Справочная информация: этот документ был представлен в нестатистическом журнале. При подборе трехсторонней модели я проверял наличие эффектов взаимодействия.

anova fixed-effects-model csgillespie
источник
Никогда не слышал об учебнике Андервуда, но эта статья, кажется, обсуждает плюсы и минусы объединения: Прагматика объединения в таблицах ANOVA (Hines, Am. Stat. 1996). Теперь я, кажется, помню, что Сокал и Рохлф (1995) также рекомендуют учитывать очень консервативные значения ( ); Мне нужно проверить, прежде чем публиковать ответ, если не найдутся лучшие ссылки. п≥+0,25
ЧЛ
2
Просто комментарий. Руководство, основанное на пахнет как злоупотребление значением, так как незначительное значение не является мерой отсутствия доказательств. Поскольку значения равномерно распределены по нулевой гипотезе, почему бы просто не перевернуть (смещенную) монету? Конечный результат тот же, и, по крайней мере, он честен в том, чтобы быть вялым. (Хорошо, дурман немного силен, но вы п≥sомеTчасяNграммппп
5
Это было бы интересным ответом для рефери: «Мы благодарим рефери за его комментарии, но думаем, что они немного сумасшедшие»;) Хотя хороший комментарий.
csgillespie

Ответы:

15

Я предполагаю, что Подлеском, о котором идет речь, является Эксперименты в Экологии (Cambridge Press 1991). Это более или менее стандартная ссылка в экологических науках, возможно, третья после Зара, Сохкола и Рольфа (и, на мой взгляд, самая «читаемая» из трех)

Если вы можете найти копию, соответствующий раздел, на который ссылается ваш судья, находится в 9.7 на с.273. Там Андервуд предлагает рекомендуемую процедуру объединения (поэтому не «правило» как таковое ) для незначимых факторов. Это двухэтапная процедура, которую, честно говоря, я не совсем понимаю, но в итоге предлагается p = 0,25, чтобы уменьшить вероятность ошибки типа I при объединении незначительного фактора (так что никакого отношения к «времени» в ваш пример, это может быть любой не-фактор).

Процедура на самом деле не похожа на процедуру Андервуда, он сам цитирует Winer et al 1991 ( Статистические процедуры в экспериментальном проектировании McGraw-Hill). Вы можете попробовать там, если не можете найти копию Underwood.

Крис
источник
4
+1 Хороший ответ: ясно, точно, проницательно и авторитетно.
whuber
@ Крис, вы имеете в виду «уменьшить вероятность ошибки типа II» (не типа I) выше? Мотивация для того, чтобы не удалять факторы из модели, состоит в том, чтобы предотвратить маломощные исследования, позволяющие устранить истинные причины (т. Е. Тип II, заключающий, что переменная не имеет никакого эффекта), в то же время увеличивая очевидное влияние параметров, оставшихся в модели, если они связаны с теперь удаленной переменной. Поскольку побочный эффект приведет к возникновению ошибок типа I, возможно, Андервуд предлагает оставить эффекты для контроля ошибок как типа 1, так и типа II, т. Е. Максимизировать достоверность модели?
Тим
10

Я ненавижу этот тип основанных на сокращении правил. Я думаю, что это зависит от дизайна и ваших априорных гипотез и ожиданий. Если вы ожидаете, что результат будет меняться со временем, я бы сказал, что вы должны следить за временем, как и для любого другого «блокирующего» фактора. С другой стороны, если вы повторяли одни и те же эксперименты в разное время и у вас не было причин полагать, что результат будет меняться со временем, но вы хотели проверить, так ли это на самом деле, то, сделав это, вы нашли мало доказательств того, что он меняется с время, я бы сказал, что вполне разумно потом отбрасывать время.

Я никогда не слышал об Андервуде раньше. Это может быть стандартный текст для «Эксперименты по экологии» (название книги), но нет никакой очевидной причины , что эксперименты в области экологии должны рассматриваться по -другому от других экспериментов в этом отношении, так , чтобы просмотреть его как " в стандартном тексте на этот вопрос "кажется неоправданным.

универсальный
источник
1
До эксперимента считалось, что фактор будет значительным. Однако, это было затоплено другими двумя эффектами. Я убрал фактор, потому что сохранение его не изменило выводы и только усложнило объяснение.
csgillespie
2
Хм, в таком случае, я думаю, я бы сохранил это. Я не понимаю, почему это затрудняет объяснение, и, как вы обнаружили, может быть сложнее объяснить, почему вы его бросили, чем почему вы его оставили!
остановка
Я понимаю вашу точку зрения, хотя на 100% не согласен с этим. Я мог легко видеть другого рефери, предлагающего, чтобы вы удалили фактор (это - то, что биологические статистики рекомендуют, чтобы я говорил также). Как вы упомянули, когда это серая область, произвольное правило - не тот путь. Если бы мы хотели ввести в заблуждение, мы бы никогда не упомянули, что был задействован другой фактор! Совершенно неэтично, но я подозреваю, что это происходит.
csgillespie
1

пожалуйста, прочитайте текст Андервуда и ссылки в нем, это не правило, пожалуйста, прочитайте. Фактически этот подход заключается в контроле ошибок типа II при удалении (или объединении) «несущественного» термина в модели. Что, если удаляемый вами термин имеет уровень значимости 0,06? Вы действительно уверены, что ожидаемый РС не включает дополнительный эффект из-за фактора? Если вы удалите этот термин, вы предполагаете, что ожидаемый MS не включает в себя дополнительный эффект из-за этого лечения, НО ВЫ ДОЛЖНЫ БЫТЬ несколько защищены от ошибки типа II !. прошу прощения за мой бедный и спешащий английский!

AnastD
источник