Справочная информация Эксперимент: CRD с 4 обработками (N, L, M и ML) и 3 повторениями / трт.Итак, всего 12 прогонов / испытаний / предметов.Концентрация каждого прогона была определена в день 0, 1, 2, 6, 7, 9, 10, 13 и 13, что в итоге дает 9x12 = 108 баллов / точек данных.
Вотграфик данных.
Бокс-график всех комбинаций трт и дней следующим образом.
Следующие модели былизапустить.
gls без корреляции
conc.gls1 <- gls (Conc ~ factor (Trt) * Day, data = data, method = "REML") </p>
Остатки по сравнению с установленными и QQ графиками.
gls с ar (1) для каждого испытания / прогона в качестве субъекта
conc.gls3 <- gls (Conc ~ factor (Trt) * Day, data = data, weight = varIdent (form= ~ 1 | фактор (Trt) * фактор (день)), корреляция = corAR1 (форма = ~ день | субъект)) </p>
Остатки по сравнению с Fitted и QQ графика.
lme со днем как случайный фактор
conc.lme <- lme (Conc ~ factor (Trt) * Day, data = data, random = ~ 1 | Day, weights = varIdent (форма = ~ 1 | день)) </p>
Остатки по сравнению с установленным и QQ участок
gam с переменной дня в качестве сглаживающей переменной
conc.gam <- mgcv :: gam (Conc ~ factor (Trt) + s (Day, k = 6), data = data) </p>
Остатки по сравнению с установленными и QQ участок
Вот AIC
df AIC
conc.gls1 9.000000 3799.592
conc.gls2 45.000000 3731.522
conc.lme 18.000000 3533.088
conc.gam 9.936895 3998.234
All the models except the first one seem justified.
The lme model seems to be the best: residuals vs fitted, qq plot, AIC all look great. But is it justified to treat day as a random factor?
The gls2 seems to fit the experimental well, but the results were not satisfactory, probably due to the poor fit of the time series. Does anyone have a better way to model?
Ценю любые комментарии / предложения!