Beispiel für Modell mit gemischten Effekten anpassen

Interpretieren der Ergebnisse

In der Varianzkomponententabelle ist der p-Wert für „Feld“ gleich 0,124. Im Hypothesentest werden keine Hinweise ersichtlich, die darauf hindeuten, dass sich die Varianzkomponente von 0 unterscheidet. Der p-Wert für die Varianzkomponente für Fehler beträgt 0,003. Da der p-Wert kleiner als das Signifikanzniveau 0,05 ist, kann der Wissenschaftler schlussfolgern, dass die Varianzkomponente für Fehler ungleich 0 ist.

Der p-Wert von annähernd 0 für den Term mit festem Faktor „Sorte“ zeigt, dass sich der Effekt von mindestens einer Luzernesorte signifikant von dem der anderen fünf Sorten unterscheidet.

Die Koeffizienten für die Haupteffekte stellen die Differenz zwischen den einzelnen Stufenmittelwerten und dem Gesamtmittelwert dar. Sorte 1 ist beispielsweise einer Luzerneausbeute zugeordnet, die um ca. 0,385 Einheiten über dem Gesamtmittelwert liegt. Der p-Wert von annähernd 0 für diesen Koeffizienten zeigt, dass sich der Effekt von Sorte 1 signifikant vom Effekt einer anderen Stufe des Terms „Stufe“ unterscheidet. Um zu bestimmen, welche Stufeneffekte statistisch gleich sind und welche Stufeneffekte sich statistisch unterscheiden, beabsichtigt der Wissenschaftler, eine Analyse mit Mehrfachvergleichen für den Term durchzuführen.

Der R²-Wert zeigt, dass das Modell ca. 92 % der Streuung in der Ausbeute erklärt. Der Wert von R-Qd(kor) ist mit einem Wert von annähernd 90,2 % ebenfalls hoch. Der Wissenschaftler vergleicht anhand dieses Werts Modelle mit unterschiedlicher Anzahl von Prädiktoren.

Beobachtungen 1 und 5 sind ungewöhnliche Beobachtungen, da ihre standardisierten Residuen größer als 2 sind. Der Wissenschaftler untersucht die Daten, um sich zu vergewissern, dass die Werte der Antwortvariablen für die betreffenden Beobachtungen korrekt sind.

Die Residuen im Wahrscheinlichkeitsnetz für Normalverteilung folgen annähernd einer Geraden, und die Punkte sind im Diagramm der Residuen vs. Anpassung anscheinend zufällig um 0 gestreut.