Я не статистика, и я не совсем знаком с R, но я хотел бы использовать его, чтобы увидеть, оказывает ли мое лечение (trat) существенное влияние на количество беспозвоночных (PV) во времени. У меня есть система aquati c с пятью сообщенными отсеками, в каждом из которых концентрация вещества (трат) различна. Я помещаю одинаковое количество беспозвоночных (PV) в каждом отсеке, эксперимент начинается и через 6 раз (каждые 30 минут) я подсчитываю, сколько животных (PV) в каждом отсеке. Я повторяю этот эксперимент три раза (повтор) с разными особями, и я хочу знать, есть ли любимый компартмент (трат) для этого вида?
Я думаю о модели Пуассона с данными подсчета с повторением измерения , Я думаю, что модель GEE может справиться с этим видом данных и следующей библиотекой пакетов (geepack).
Я думал запустить эту модель двумя способами (M.gee1, M.gee2), но я думаю, что путь «id = время» будет лучшим, потому что меня не интересует фактор времени, и он не зависит сам по себе. Реп независимый.
M.gee1 <- geeglm (PV_смещение (TotalPV) + ftrat + ftime + ftrat * ftime, data = PS, семейство = poisson, id = frep, corstr = "ar1") (M. gee1) </p>
M.gee2 <- geeglm (PV ~ ftrat, data = PS, family = poisson, id = ftime, corstr = "ar1") сводка (M.gee2) </p>
geeglm (формула = PV ~ ftrat, семейство = пуассон, данные = PS, id = fTime, corstr = "ar1")
Коэффициенты: Estimate Std.err Wald Pr (> | W |)
(Перехват ) 1,7198 0,0926 345,23 <2e-16 ***</p>
ftrat0,5 0,5786 0,1176 24,20 8,7e-07 ***
ftrat5 -0,1883 0,1972 0,91 0,3396
ftrat50 - 0,5671 0,1955 8,41 0,0037 **
ftrat250 -1,2090 0,1921 39,61 3,1e-10 ***
Signif. коды: 0 '' 0,001 '' 0,01 '' 0,05 '.' 0,1 '' 1
Структура корреляции = ar1 Предполагаемые параметры шкалы:
Estimate Std.err
(Перехват) 1,83 0,175 Ссылка = идентичность
Предполагаемые параметры корреляции: Estimate Std.err alpha 0 0 Количество кластеров: 120 Максимальный размер кластера: 1
Кто может мне здесь помочь или указать мне правильное направление? Я иду не так, как я использую GEE? Может ли кто-нибудь сказать мне значение слова Афа? спасибо