Hi Bert,
Ich benutze Statistica. Statistics suckt folgende Werte aus:
Wilk Value / F / Effect df / Error df / p
Das ist alles.
Wenn ich das richtig sehe, dann handelt es sich bei F um die
Effektgröße,be Effect df um die Freiheitsgrade. Mit Wilk Value
und Error df fange ich leider nichts an, du?
Wilks lamda wird eigentlich nur bei multivariaten analysen herangezogen, also wenn du mehrere abh. Variablen hast (http://www.blackwellpublishing.com/specialarticles/j…)
Dieser WErt kann dan in einen F-Wert umgerechnet werden und dieser wird dann mit dem kritischen Wert verglichen, welcher sich aus der Effect df und Error df ergibt. Da komtm dann der p-Wert heraus.
Kann ich anhand
dieser Werte entnehmen wie stark der Effektwert gewichtet
werden kann?
Nein. Denn du sollst das gar nciht selber gewichten. Der F-Wert ist die Prüfgröße, die sich aus den daten ergibt. Meistens ist die Berechnung nicht trivial und sie folgt einer bestimmten Verteilung (hier der F-Verteilung), weswegen man nicht einfach damit herumrechnen kann.
Ich Versuch dir mein Problem nochmal zu schildern. Also wie
beschreiben mache ich eine genestete ANOVA. Ich Habe zum einen
2 Habitate . Diese Habitate sind jeweils in 6 Plots
unterteilt. Ich untersuche verschiedene Merkmale und hätte
gerne ,dass diese untersuchten Merkmale dich nur innerhalb der
Habitate signifikant unterscheiden, nicht aber innerhalb der
Plots. Ich bekomme mit meiner ANOVA aber sowohl für die
Habitate als auch für die Plots signifikante Unterschiede für
ein Merkmal heraus.
Dann ist das eben so und deine Habitate haben einen Einfluss. So what? ein Bsp.: Wenn Hab1 =Meersburg ist und Hab2=Hamburg und deine PLots sind verschiedene Weinsorten wird sich keiner wundern, dass das Habitat einen Einfluss hat. Du musst bei dir nun, da du die p-werte hast, diese wieder zurückinterpretieren auf deine Effekte.
Jetzt ist es aber so, dass der Effektwert
für Habitat viel größer ist. Das ist gut, oder?
Das heisst erstmal, dass viel Streuunug durch das Habitat erklärt wird und - je nach dfs - der Effekt eher sig. wird.
Das heisst doch, dass der Effekt innerhalb der Habitate deutlicher
ist,oder?
Der Sinn slcher analysen ist, die Struktur des Experimentes abzubilden und die Kovarianzen adäquat zu berücksichtigen. Dadtruch kann man die Effekte in den plots besser herausarbeiten. Das gilt aber allgemein; „weil der Hab-Effekt größer ist als X sind die Ploteffekte ‚mehr wert‘“ kann man nicht schlußfolgern.
Mein Betreuer meinte, dass kann man jetzt aber nicht
einfach so sagen, da die Freiheitsgrade stark von den
Effektwerten abhhängen würden und die Freiheitsgrade sind bei
Habitat viel kleiner.
Das stimmt so nicht. Die dfs hängen simple gesagt von der Anzahl der Ausprägungen ab (für das Hab müsste es bei dir 1 sein), während die Effektwerte von den Daten abhängen.
Meine Frage ist, was heisst das jetzt
für mein Ergebniss? Kann ich jetzt nicht mehr sagen, dass
Merkmal sich deutlicher innerhab der Habitate unterscheidet,
als innerhalb der Plots?
Indirekt kannst du den p-Wert als Mass für die Stärke des Effektes hernehmen, da in ihm schon alles an Info drin steckt, was geht. Ein kleinerer p-Wert verdeutlicht dann einen stärkeren Einfluss eines Faktor als ein größerer.
Gibt es irgendeinen Trick oder sowas,
der mir ermöglicht meine Ergebnisse in eine Form zu bekommen,
dass man sozusagen den Unterschied eines Merkmals innerhalb
der Plots vernachlässigen kann?
Das hast du durch dein hirarchisches Modell schon gemacht. Ohne dass man den Versuch besser im Detail kennt kann man da ferndiagnostisch nicht mehr viel vorschlagen. Veränderung der Kovarianzstrukturen, random effects, Varianzheterogenität wäre Punkte bei denen man noch einhaken könnte, aber dann wird es wirklich kompliziert - und was Statistica da im repertoir hat, weiß ich nicht.
eine Alternative zu deinem design wre ein split-plot-design, was keinen genesteten Faktor hat, aber einen random Faktor: http://ansc.umd.edu/wwwfaculty/Douglass/Lecture%20No…
Grüße,
JPL
Gut, dann werde ich das so weitergeben…