Alguém pode me explicar a intuição por trás da trama dividida?
Pelo que entendi, é essencialmente uma randomização restrita. Mas ainda não o entendo direito. Existe um recurso ou exemplo que alguém possa me dar para torná-lo mais claro?
Alguém pode me explicar a intuição por trás da trama dividida?
Pelo que entendi, é essencialmente uma randomização restrita. Mas ainda não o entendo direito. Existe um recurso ou exemplo que alguém possa me dar para torná-lo mais claro?
Gráficos divididos são frequentemente usados por necessidade, mas pode haver vantagens estatísticas em termos de precisão de seus contrastes (ou também desvantagens). Aqui está meu entendimento rudimentar da intuição para o uso de plotagem dividida:
Primeiro, deixe-me estabelecer que dois termos comuns no design de plotagem dividida são "fator de plotagem inteiro" e o "fator de sub plotagem". Em um estudo agrícola, todo o fator de parcela está em uma escala espacial maior, digamos campos inteiros, que representam diferentes níveis de alguns tratamentos, como a eficiência da drenagem. Os fatores de subparcela são aninhados espacialmente dentro de todo o fator de plotagem. Os fatores de subparcela geralmente são algo que pode ser aplicado em uma escala espacial menor, como o tipo de cultura.
Além das razões de praticidade (que pode ser o caso no exemplo que escrevi acima), o poder dividido pode ser eficiente (ou ineficiente!). Federer e King 2007 sugerem que uma razão para usar a plotagem dividida é que, em comparação com uma ANOVA de duas vias, você geralmente aumenta a precisão para detectar contrastes entre os fatores da sub plotagem. Além disso, os efeitos de interação podem ser mais fáceis de detectar. Por outro lado, a precisão para detectar contrastes entre todo o fator de plotagem geralmente diminui.
Essas diferenças são explicadas pelo fato de que dois termos de erro residual separados são usados para o teste de hipóteses. O termo do erro de plotagem inteiro é calculado calculando primeiro a média das subparcelas em cada plotagem inteira.
Às vezes, o gráfico de cuspe também é usado como um gráfico dividido no tempo, o que, pelo que entendi, é semelhante a medidas repetidas, frequentemente usadas em assuntos. Não sei ao certo qual é a vantagem disso. A terminologia é mapeada da seguinte maneira:
split-plot design = repeated-measures design
whole plot = subject
whole plot factor = between-subject factor
split-plot factor = within-subject factor = repeated-measures factor
Uma referência muito abrangente sobre teoria e implementação de plotagem dividida é: Federer WT & King F (2007) Variações sobre projetos de experimentos com plotagem dividida e blocos divididos (John Wiley & Sons).
Um bom recurso seria " O design de experimentos ", de Mead (1988), capítulo 14. Acho que há uma nova versão aqui . Mas você realmente não precisa da nova versão para entender a plotagem dividida, e suponho que você tenha acesso a esses livros na sua biblioteca local.
Eu posso te dar meu valor de 2 centavos. No mundo ideal, se você tiver 2 tratamentos, gostaria de fazer um projeto fatorial. É provavelmente o design mais eficiente que você pode usar. No entanto, muitas vezes há limitações práticas. Talvez os 2 tratamentos tenham que ser aplicados a diferentes níveis da unidade (1 maior, 1 menor), então você terá que lidar com parcelas subdivididas. Portanto, minha visão do gráfico dividido é que ele surge de uma limitação prática.
Ligando à noção de randomização restrita, sim, a plotagem dividida é um tipo de randomização restrita. O tratamento aplicado à unidade principal (parcela "maior") é randomizado em um sentido restrito. Mas a restrição é colocada por limitação prática e não por ideal estatístico.