Usuwanie czynników z 3-kierunkowej tabeli ANOVA

W ostatnim artykule umieściłem trójdrożne modele efektów stałych. Ponieważ jeden z czynników nie był znaczący (p> 0,1), usunąłem go i dopasowałem do modelu z dwoma ustalonymi efektami i interakcją.

Właśnie przesłałem komentarze recenzentów, aby zacytować:

Ten czas nie był znaczącym czynnikiem w trójdrożnej ANOVA sam w sobie nie jest wystarczającym kryterium do zsumowania czynnika czasu: standardowy tekst na ten temat, Underwood 1997, argumentuje, że wartość p dla nieistotnego efektu musi wynosić powyżej 0,25, zanim można będzie połączyć poziomy leczenia danego czynnika. Autorzy powinni podać tutaj odpowiednią wartość p i uzasadnić swoje zestawienie w odniesieniu do Underwood 1997.

Moje pytania to:

1. Nigdy nie słyszałem o zasadzie 0,25. Czy ktoś jeszcze? Rozumiem, że nie usuwam tego współczynnika, jeśli wartość p była bliska granicy, ale posiadanie „reguły” wydaje się nieco ekstremalne.
2. Sędzia ten stwierdza, że Underwood 1997 jest tekstem standardowym. Czy to naprawdę Nigdy o tym nie słyszałem. Jaki byłby standardowy tekst (czy coś takiego istnieje)? Niestety nie mam dostępu do tego Underwood, 1997.
3. Wszelkie porady podczas udzielania odpowiedzi sędziom.

Tło: niniejszy artykuł został przedłożony czasopiśmie niestatystycznemu. Dopasowując model trójdrożny, sprawdziłem efekty interakcji.

Zgaduję, że omawiany Underwood to Experiments in Ecology (Cambridge Press 1991). Jest to mniej więcej standardowe odniesienie w naukach ekologicznych, być może trzecie po Zar, Sohkol i Rohlf (i moim zdaniem najbardziej „czytelne” z trzech)

Jeśli możesz znaleźć kopię, odpowiednia sekcja, którą cytuje sędzia, znajduje się w 9.7 na str. 273. Nie Underwood sugeruje zalecaną procedurę pooling (tak nie „regułę” per se ) dla nieistotnych czynników. Jest to 2-etapowa procedura, której szczerze mówiąc nie do końca rozumiem, ale sugeruje się, że wynikiem jest p = 0,25, aby zmniejszyć prawdopodobieństwo wystąpienia błędu typu I podczas łączenia nieistotnego czynnika (więc nie ma to nic wspólnego z „czasem” w twój przykład, może to być dowolny czynnik niebędący sig).

Procedura ta nie wydaje się być procedurą Underwooda, on sam cytuje Winera i wsp. 1991 ( Procedury statystyczne w projekcie eksperymentalnym McGraw-Hill). Możesz spróbować tam, jeśli nie możesz znaleźć kopii Underwooda.

Nienawidzę tego rodzaju reguł opartych na odcięciu. Myślę, że to zależy od projektu i twoich hipotez a priori i oczekiwań. Jeśli oczekujesz, że wynik będzie się zmieniać w czasie, powiem, że powinieneś zachować czas, tak jak w przypadku każdego innego czynnika blokującego. Z drugiej strony, jeśli powtarzasz te same eksperymenty w różnych momentach i nie masz powodu sądzić, że wynik będzie się różnił w czasie, ale chciałbyś to sprawdzić, to po zrobieniu tego i znalezieniu niewielkiego lub żadnego dowodu na to, że różni się w zależności od czas, powiedziałbym, że całkiem rozsądne jest wtedy upuszczenie czasu.

Nigdy wcześniej nie słyszałem o Underwood. Może to być standardowy tekst „Experiments in Ecology” (tytuł książki), ale nie ma żadnego oczywistego powodu, że eksperymenty w ekologii powinny być traktowane w sposób odmienny od innych doświadczeń w tym zakresie, tak aby zobaczyć go jako " na standardowym tekstem na ten problem ”wydaje się nieuzasadniony.

proszę przeczytać tekst Underwood i zawarte w nim odniesienia, to nie jest reguła, proszę przeczytać. W rzeczywistości takie podejście polega na kontrolowaniu błędu typu II podczas usuwania (lub łączenia) terminu „nieistotny” w modelu. Co się stanie, jeśli usunięty termin ma poziom oznakowania 0,06? Czy naprawdę jesteś pewien, że oczekiwane stwardnienie rozsiane nie zawiera dodatkowego efektu z powodu tego czynnika ?. Jeśli usuniesz ten termin, zakładasz, że oczekiwane stwardnienie rozsiane nie zawiera dodatkowego efektu z powodu tego leczenia, ALE MUSISZ być w pewien sposób chroniony przed błędem typu II !. proszę wybaczyć mój biedny i pośpieszny angielski !.