12. Çok Lokasyonlu Tesadüf Blokları (Birleştirilmiş Varyans Analizi)
Analiz kimliği: multi_location_rcbd · Menü adı: Çok Lokasyonlu Tesadüf Blokları (Birleştirilmiş Varyans Analizi) · Panel: gui/panels/analyses/multi_location_rcbd_panel.py, execute (satır 244–291) · Motor: stats/multi_location_rcbd.py, run_multi_location_rcbd (satır 205–346) · Uzantılar: multi_location_rcbd_extras.py (ek karşılaştırma ve tanı seçenekleri), multi_location_rcbd_extras2.py (GLM / karma model yolu, stabilite)
12.1 Ne işe yarar
Bu analiz, aynı çeşit (genotip, uygulama) kümesinin birden çok lokasyonda (yer, yıl ya da ortam) tesadüf blokları deseniyle (TDB, RCBD) denendiği çeşit denemelerini çözümler. İki katmanlı çıktı üretir: (1) her lokasyonda ayrı bir TDB varyans analizi (F, varyasyon katsayısı, en küçük önemli fark, harf grupları); (2) lokasyonlar üzerinden birleştirilmiş varyans analizi. Cevapladığı sorular şunlardır: Çeşitler ortalama olarak farklı mı? Çeşitlerin sıralaması lokasyona göre değişiyor mu (çeşit × lokasyon etkileşimi)? Lokasyon hata varyansları birleştirmeye uygun mu?
Birleştirilmiş modelde bloklar lokasyon içinde iç içedir:
- y_{tlr}: t. çeşidin l. lokasyonda r. bloktaki parsel değeri.
- L_l: lokasyon etkisi; R_{r(l)}: lokasyon içindeki blok etkisi; T_t: çeşit etkisi; (TL)_{tl}: çeşit × lokasyon etkileşimi; \varepsilon_{tlr}: parsel hatası, N(0,\sigma^2).
- k çeşit, s lokasyon, her lokasyonda R blok; N=ksR. Örnekte k=28, s=6, R=3, N=504.
- "Sabit lokasyon" seçiminde L ve TL sabit; "rastgele lokasyon" seçiminde L, R(L) ve TL rastgeledir (12.5.3).
Sınanan hipotezler: H_0^{T}: tüm çeşit ortalamaları eşit; H_0^{TL}: çeşit farkları tüm lokasyonlarda aynı; H_0^{L}: lokasyon ortalamaları eşit.
Ne zaman kullanılır? Tarla denemelerinde çeşit/genotip karşılaştırması birden çok yer ya da yılda tekrarlandığında; her lokasyonda aynı çeşitler, aynı sayıda blok ve tam veri varsa (dengeli desen). Dengesiz veride panel varsayılan olarak GLM yoluna geçer (12.5.6).
Ne zaman kullanılmaz?
- Tek lokasyon varsa: tek lokasyonda TDB, İki Yönlü ANOVA (Bölüm 9) ile çeşit + blok ana etkili model olarak kurulabilir.
- Lokasyonlar içinde blok değil tamamen tesadüfi desen varsa: blok terimi anlamsızdır; İki Yönlü ANOVA (çeşit × lokasyon).
- Lokasyonlar rastgele seçilmiş ve varyans bileşenleri (genotipik varyans, kalıtım derecesi) isteniyorsa: Varyans Bileşenleri ya da Doğrusal Karma Model; bu panelin "Karma model" motoru da REML kestirimi verir.
- Bloklar eksik (lattice, alfa desen) ise: blok etkisi çeşitle karışık olur; Doğrusal Karma Model.
- Asıl amaç çeşitlerin lokasyonlar arası kararlılığıysa: aynı panelin stabilite seçenekleri (AMMI, GGE, Eberhart–Russell) bu bölümün kapsamı dışındadır.
Sık karıştırılan analizler. Lokasyon ve çeşidi iki faktör alıp blokları yok sayan iki yönlü ANOVA, blok KT'sini hataya katar ve lokasyon testini yanlış paydayla yapar. Lokasyon ortalamalarıyla (blokları ortalayarak) yapılan analiz, çeşit × lokasyon etkileşimini sınayacak hata terimini kaybeder.
12.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Dengeli tam desen | Her çeşit her lokasyonda her blokta tam bir kez. | Klasik motor denetler; değilse (Otomatik motorda) GLM yoluna geçer (multi_location_rcbd.py:240–243, multi_location_rcbd_panel.py:270–276). |
| Toplamsallık (lokasyon içinde) | Blok ve çeşit etkileşmez. | Varsayılan çıktıda denetlenmez; "Varsayım tanıları" grubunda Tukey toplamsallık testi isteğe bağlıdır. |
| Normallik | Parsel hataları normal. | Varsayılan çıktıda denetlenmez; "Varsayım tanıları" grubunda isteğe bağlı. |
| Hata varyansı homojenliği | Lokasyonların hata varyansları eşit; havuzlanmış hata ancak böyleyse geçerli. | Her zaman Bartlett (lokasyon hata KO'ları üzerinde) ve Fmax (multi_location_rcbd.py:328–339). |
Eksik değer. Dört sütundan birinde eksiği olan satır atılır ve atılan satır sayısı not olarak yazılır (multi_location_rcbd.py:222–225). Atma sonrası desen dengesiz kalırsa klasik motor "dengeli değil" hatası verir; Otomatik motor bu hatayı yakalayıp GLM yoluna geçer. Bağımlı değişkende sayıya çevrilemeyen bir değer varsa (ör. "12,5" metni), satır atılmaz, analiz "sayısal değil" hatasıyla durur (multi_location_rcbd.py:216–219).
Uç durumlar (kod sırasıyla):
- 2'den az lokasyon ya da 2'den az çeşit: hata (
multi_location_rcbd.py:230–233). - Herhangi bir lokasyonda 2'den az blok: hata (
multi_location_rcbd.py:237–239). - Bağımlı değişken tümüyle sabit: hata (
multi_location_rcbd.py:253–254). - Bir lokasyonda tüm değerler aynı: o lokasyonun F, p ve VK değerleri "—" yazılır, analiz sürer (
multi_location_rcbd.py:267–269). - Çeşit, lokasyon ve blok düzeyleri veride ilk görülme sırasıyla alınır (
multi_location_rcbd.py:228–235); tablolarda lokasyon sırası budur. - Blok adları lokasyonlar arasında yinelenebilir (her lokasyonda 1, 2, 3); bloklar lokasyon içinde iç içe kabul edilir.
12.3 Parametreler
Varsayılanlar multi_location_rcbd_panel.py:101–225 (form ve read_options) ile uzantıların DEFAULTS sözlüklerinden (multi_location_rcbd_extras.py:59–84, multi_location_rcbd_extras2.py:66–84) okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı değişken (verim vb.) | ilk sayısal sütun | Parsel değeri. | |
| Çeşit / genotip; Lokasyon; Tekrar / blok | sütun adından tahmin (cesit, lokasyon, tekrar …) |
Üç tasarım sütunu. | Tahmin yanlışsa elle düzeltin (multi_location_rcbd_panel.py:73–98). |
| Lokasyon etkisi | Sabit | Sabit ya da rastgele. | Rastgelede çeşit F'si ve birleşik AÖF Çeşit × Lokasyon KO'suyla kurulur (12.5.3). |
| Ortalama ayrımı | AÖF (LSD) | LSD, Duncan, Tukey (HSD); uzantıyla SNK, REGWQ, Scheffé, Bonferroni, Šidák, Waller, Gabriel. | Harf grupları ve "AÖF/HSD" satırı değişir. |
| Korumalı: F anlamlıysa harf ver | açık | İlgili F anlamsızsa (p\ge\alpha) harf verilmez. | Lokasyon ya da birleşik düzeyde harf sütunu boş kalır. |
| Güven düzeyi | %95 | \alpha=1- güven. | Harfler, AÖF, HSD ve yıldızlar \alpha'ya göre (12.8, S7). |
| Grafik türü | Çeşit × lokasyon çubukları | Çubuk, birleşik ortalama, etkileşim çizgileri ve uzantı kipleri. | Yalnız Grafik sekmesi. |
| Hesap motoru (uzantı) | Otomatik | Otomatik, Klasik (yalnız dengeli), GLM, Karma model. | Otomatik: dengeli → klasik, dengesiz → GLM (12.5.6). |
| Çeşit×Lokasyon rastgele (uzantı) | Otomatik | Yalnız lokasyon rastgeleyse rastgele. | Sabit lokasyonda "Evet" GLM yoluna geçirir. |
| Diğer uzantı grupları | hepsi kapalı | Kontrole karşı (Dunnett), ikili tablo, dilim, kontrast, etki büyüklüğü, tanılar, sıra tabanlı testler, kovaryat, dönüşüm, Yates, stabilite. | Hiçbiri işaretli değilse çıktı bayt bayt aynıdır. |
Neden "korumalı" varsayılan açık?
Fisher'ın korumalı LSD yaklaşımında ikili karşılaştırmalar yalnız genel F testi anlamlıysa yapılır; böylece tüm ortalamalar eşitken (tam sıfır hipotezi) aile hata oranı \alpha ile sınırlanır. Çeşit denemelerinde yayın tablolarının geleneği budur. Örnekte Ayac lokasyonunda çeşit F'si anlamsız (p=0{,}128) olduğundan o sütunda harf yoktur; kutu kapatılırsa aynı lokasyonda LSD harfleri basılır.
Uzantıların kapsamı
Bu bölüm varsayılan klasik motoru ve sabit/rastgele lokasyon seçimini ayrıntılı ele alır; GLM yolu yalnız dengeli veride klasik motorla karşılaştırılmıştır. Uzantılardaki 40'ı aşkın seçeneğin (Dunnett, Waller, AMMI, GGE, karma model vb.) doğrulama durumu ağaçtaki docs/MerQur_CokLokasyonluTDB_Parametre_Esleme.md belgesindedir.
12.4 Örnek veri (Tıp setinde karşılığı yok)
Tıp veri setinde çok lokasyonlu blok denemesi yoktur; öteki disiplin klasörlerinde de bu analiz için örnek dosya bulunmaz. Bu yüzden R agricolae paketindeki (sürüm 1.3.7) açık plrv verisi kullanılmıştır: Uluslararası Patates Merkezi'nin (CIP, Lima) patates yaprak kıvırcıklığı virüsü (PLRV) popülasyonundan 28 klon/çeşidin altı ortamda (Ayacucho, La Molina 02, San Ramón 02, Huancayo, La Molina 03, San Ramón 03) üç tekrarlı denemesi. Veri R ile dogrulama/multi_location_rcbd/plrv_yield.csv dosyasına aktarılmıştır.
| Değişken | Rol | Tür | Açıklama |
|---|---|---|---|
Yield |
Bağımlı değişken | sürekli | Parsel verimi; aralık 0,25–99,35 |
Genotype |
Çeşit / genotip | metin, 28 düzey | 25 klon kodu (ör. 141.28) ve 3 çeşit (Canchan, Desiree, Unica) |
Locality |
Lokasyon | metin, 6 düzey | Veride görülme sırası: Ayac, LM-02, SR-02, Hyo-02, LM-03, SR-03 |
Rep |
Tekrar / blok | 1, 2, 3 | Her lokasyonda 3 blok |
n ve eksik değer: 28\times6\times3=504 parsel, eksik yok; desen dengeli.
Soru: Klonlar verimde farklı mı? Klonların sıralaması ortama göre değişiyor mu? Altı ortamın hata varyansları birleştirmeye uygun mu?
Seçilen ayarlar: Arayüz varsayılanları (sabit lokasyon, LSD, korumalı, %95, Otomatik motor). Ek çalıştırmalar: rastgele lokasyon; Tukey; Duncan; korumasız; \alpha=0{,}10; GLM motoru (sabit ve rastgele lokasyon).
Genotip adlarını metin olarak okuyun
Klon kodları 102.18, 319.20 gibi ondalık sayıya benzer. Hesap tablosu programları ya da read_csv bunları sayı olarak okursa 319.20 ile 319.2 aynı düzeye düşebilir. Doğrulama betikleri sütunu metin olarak okur; arayüzde de sütun türünün "kategorik" olduğunu denetleyin.
12.5 Formüller ve hesap adımları
MerQur'un hesap sırası şudur: (1) dört sütunu al, eksikleri at, dengeyi denetle ve veriyi k\times s\times R boyutlu bir diziye (Y[t,l,r]) yerleştir (multi_location_rcbd.py:214–250); (2) her lokasyonda TDB ANOVA, VK, AÖF ve harfler; (3) birleştirilmiş ANOVA ve seçilen lokasyon modeline göre F testleri; (4) birleşik ortalamalar, harfler ve sıra; (5) Bartlett ve Fmax. Motor metin üretmez, kod ve sayı döndürür; panel bunları çevirir.
12.5.1 Lokasyon başına TDB analizi
l. lokasyonda Z_{tr}=y_{tlr}, \bar Z lokasyon ortalaması olsun (multi_location_rcbd.py:256–281):
- \bar Z_{t\cdot}: çeşidin lokasyondaki ortalaması (R blok); \bar Z_{\cdot r}: blok ortalaması.
- Blok etkisi sınanmaz; yalnız hatadan çıkarılır. Lokasyon başına tablo bu yüzden yalnız çeşit F'sini verir.
- \mathrm{VK}_l: varyasyon katsayısı (%), denemenin kesinlik ölçüsü.
- \mathrm{AÖF}_l: en küçük önemli fark (LSD); iki çeşit ortalaması arasındaki fark bunu aşarsa \alpha düzeyinde farklıdır.
- Tukey seçiliyse \mathrm{HSD}_l=q_{1-\alpha;\,k,\,(k-1)(R-1)}\sqrt{\mathrm{KO}_{H,l}/R} (
multi_location_rcbd.py:183–184).
12.5.2 Birleştirilmiş varyans analizi
\bar y büyük ortalama; \bar y_{t\cdot\cdot} çeşit, \bar y_{\cdot l\cdot} lokasyon, \bar y_{tl\cdot} çeşit × lokasyon hücresi, \bar y_{\cdot lr} blok ortalaması olsun (multi_location_rcbd.py:283–297):
| Kaynak | sd | Sabit lokasyonda payda | Rastgele lokasyonda payda |
|---|---|---|---|
| Lokasyon (L) | s-1 | \mathrm{KO}_{R(L)} | \mathrm{KO}_{R(L)} |
| Tekrar (Lokasyon) | s(R-1) | sınanmaz | sınanmaz |
| Çeşit (T) | k-1 | \mathrm{KO}_H | \mathrm{KO}_{TL} |
| Çeşit × Lokasyon | (k-1)(s-1) | \mathrm{KO}_H | \mathrm{KO}_H |
| Hata | s(k-1)(R-1) |
- \mathrm{KT}_H, lokasyon başına hata KT'lerinin toplamına eşittir: \sum_l\mathrm{KT}_{H,l}. \mathrm{KO}_H bu yüzden havuzlanmış hatadır; 12.5.5'teki homojenlik testi bu havuzlamanın geçerliliğini sınar.
- Birleşik VK =100\sqrt{\mathrm{KO}_H}/\bar y; lokasyon tipinden bağımsız olarak havuzlanmış hatayla (
multi_location_rcbd.py:323). - Birleşik AÖF, karşılaştırma terimi \mathrm{KO}_c ve sd'siyle: t_{1-\alpha/2,\,\sd_c}\sqrt{2\mathrm{KO}_c/(sR)}; sabit lokasyonda \mathrm{KO}_c=\mathrm{KO}_H, rastgele lokasyonda \mathrm{KO}_c=\mathrm{KO}_{TL} (
multi_location_rcbd.py:298–303,317).
Neden lokasyon, tekrar(lokasyon) KO'suna karşı sınanır?
Lokasyonlar arası fark, her lokasyonun kendi bloklarının ortalamasından ölçülür; lokasyon içindeki bloklar arası değişkenlik bu karşılaştırmanın doğal gürültüsüdür. Parsel hatası (\mathrm{KO}_H) blok farkını içermez; ona karşı sınamak lokasyon farkını abartırdı. Bu yüzden lokasyon F'sinin sd'si (s-1,\ s(R-1))=(5,\,12)'dir; 504 parsele karşın lokasyon testi yalnız 12 hata sd'sine dayanır.
12.5.3 Sabit ve rastgele lokasyon
Beklenen kareler ortalamaları (k çeşit, s lokasyon, R blok):
- \phi_T: çeşit etkilerinin karesel ortalaması (sabit etki); \sigma^2_{TL}: etkileşim varyansı.
- Lokasyon sabit ise (TL) sabittir, \sigma^2_{TL} terimi yoktur: çeşit \mathrm{KO}_H'ye karşı sınanır; sonuç yalnız denenen lokasyonlar için geçerlidir.
- Lokasyon rastgele ise etkileşim de rastgeledir ve E[\mathrm{KO}_T] içinde R\sigma^2_{TL} bulunur: çeşit \mathrm{KO}_{TL}'ye karşı sınanır, sd (k-1,\ (k-1)(s-1)). Sonuç lokasyon evrenine genellenir; test daha tutucudur (örnekte F 17,54'ten 3,69'a iner).
Koddaki tercih: rastgele lokasyonda lokasyon testi
Rastgele lokasyonda lokasyon, iki motorda da \mathrm{KO}_{R(L)}'ye karşı sınanır (multi_location_rcbd.py:305). Bu, etkileşim terimlerinin çeşitler üzerinden toplamının sıfır kabul edildiği kısıtlı karma modelin (Hocking 1973'te tartışılan iki parametrelemeden biri) E[\mathrm{KO}_L]=\sigma^2+k\sigma^2_{R(L)}+kR\sigma^2_L beklentisidir; dengeli birleşik analizde lokasyonun hata terimi Tekrar(Lokasyon)'dur (Gomez ve Gomez 1984). GLM motoru paydayı beklenen kareler ortalamasından kurar ve Satterthwaite sentezine yalnız EMS bunu gerektirdiğinde başvurur; dengeli veride iki motor aynı F'yi verir. Kısıtsız model kullanılırsa E[\mathrm{KO}_L] ayrıca R\sigma^2_{TL} içerir ve payda \mathrm{KO}_{R(L)}+\mathrm{KO}_{TL}-\mathrm{KO}_H (Satterthwaite sd'li) olur (12.6, Adım 7; 12.8, S3).
12.5.4 Ortalama ayrımı ve harf grupları
Harfler kompakt harf gösterimiyle verilir (_cld_letters, hypothesis.py:2889–2915; Piepho 2004'ün ekle-sil algoritması): önce anlamlı farklı çiftler bulunur, sonra aynı harfi paylaşan her ortalama kümesinde hiçbir çiftin anlamlı farklı olmaması sağlanır; "a" en yüksek ortalamayı içeren kümeye verilir. Anlamlılık ölçütü yönteme göre değişir (multi_location_rcbd.py:172–202):
- n: ortalama başına gözlem; lokasyonda R, birleşikte sR.
- Duncan'da p, sıralı ortalamalar arasındaki aralığın kapsadığı ortalama sayısıdır. MerQur adımsal kapanış uygular: bir alt aralık anlamsızsa onu kapsayan aralık da anlamsız sayılır (
mlr_comparisons._stepwise_sig). - Duncan seçiliyken tablodaki "AÖF" satırı yalnız LSD başvuru değeridir; harfler Duncan'a göredir.
- Sıra (V.S.): en yüksek ortalama 1; eşitlikte en küçük sıra (
multi_location_rcbd.py:166–169).
12.5.5 Hata varyansı homojenliği: Bartlett ve Fmax
Lokasyon hata KO'ları v_l=\mathrm{KO}_{H,l}, hepsi aynı sd f=(k-1)(R-1) ile (multi_location_rcbd.py:328–339):
- Bartlett testi burada ham verideki lokasyon gruplarına değil, lokasyon hata KO'larına uygulanır; R
bartlett.test(y ~ loc)farklı bir testtir: lokasyon içi ham varyans, çeşit ve blok farklarını da içerir. - Durum: p<0{,}05 "homojen değil", 0{,}05\le p<0{,}10 "sınırda", aksi halde "homojen". Bu eşikler sabittir, \alpha seçiminden etkilenmez.
- F_{\max} Hartley (1950) oranıdır; MerQur kritik değer tablosu vermez, yalnız oranı yazar.
Neden homojenlik birleştirmenin ön koşulu?
Birleşik F testleri ve AÖF, tek bir \sigma^2'nin tüm lokasyonlarda geçerli olduğunu varsayar. Hata varyansları farklıysa, havuzlanmış \mathrm{KO}_H yüksek varyanslı lokasyonlarda farkları abartır, düşük varyanslılarda gizler. Bu durumda lokasyonlar ayrı yorumlanır, veri dönüştürülür ya da lokasyon başına ayrı hata varyanslı model kurulur (panelin "Lokasyon başına hata varyansı" uzantısı).
12.5.6 GLM yolu (dengesiz veri ve "GLM" motoru)
Hesap motoru "Otomatik" iken klasik motor ml_unbalanced hatası verirse panel hatayı yakalar ve multi_location_rcbd_extras2.substitute ile GLM yoluna geçer (multi_location_rcbd_panel.py:264–276). Bu yol III. tür KT, beklenen kareler ortalamasından kurulan F testleri (birden çok terimli paydada Satterthwaite sd'si), LS-ortalamaları ve harmonik n ile harfler verir. Dengeli veride sabit ve rastgele lokasyon için klasik motorla aynı sayıları verir (12.5.3, 12.6.1).
12.6 Elle hesap: örnek veride sayısal yürüyüş
Aşağıdaki değerler dogrulama/multi_location_rcbd/elle_hesap.py ile, MerQur çağrılmadan numpy ile hesaplanmıştır (örnek veri agricolae::plrv).
Adım 1 — Lokasyon başına TDB.
| Lokasyon | Ortalama | \mathrm{KT}_{\text{çeşit}} | \mathrm{KT}_H | \mathrm{KO}_H (sd 54) | F(27,\,54) | p | VK % | AÖF |
|---|---|---|---|---|---|---|---|---|
| Ayac | 23,703 | 1710,340 | 2382,951 | 44,1287 | 1,4355 | 0,1284 | 28,03 | 10,874 |
| LM-02 | 34,645 | 3889,629 | 1444,821 | 26,7559 | 5,3842 | 7{,}7\times10^{-8} | 14,93 | 8,467 |
| SR-02 | 14,951 | 1775,841 | 698,206 | 12,9297 | 5,0869 | 1{,}9\times10^{-7} | 24,05 | 5,886 |
| Hyo-02 | 45,731 | 15294,256 | 2231,278 | 41,3200 | 13,7090 | 9{,}1\times10^{-16} | 14,06 | 10,523 |
| LM-03 | 53,835 | 17102,755 | 4702,390 | 87,0813 | 7,2741 | 3{,}9\times10^{-10} | 17,33 | 15,276 |
| SR-03 | 11,153 | 1522,255 | 538,558 | 9,9733 | 5,6531 | 3{,}4\times10^{-8} | 28,32 | 5,170 |
Örnek olarak Ayac: \mathrm{KO}_H=2382{,}951/54=44{,}1287; F=(1710{,}340/27)/44{,}1287=1{,}4355; \mathrm{VK}=100\sqrt{44{,}1287}/23{,}703=28{,}03; \mathrm{AÖF}=t_{0{,}975;\,54}\sqrt{2\cdot44{,}1287/3}=2{,}004879\times5{,}4239=10{,}874. Ayac'ta çeşit F'si anlamsızdır; korumalı seçenek o sütunda harf vermez.
Adım 2 — Birleştirilmiş KT'ler. Büyük ortalama \bar y=30{,}669578.
| Kaynak | sd | KT | KO |
|---|---|---|---|
| Lokasyon | 5 | 122284,3458 | 24456,8692 |
| Tekrar (Lokasyon) | 12 | 1141,7854 | 95,1488 |
| Çeşit | 27 | 17533,2810 | 649,3808 |
| Çeşit × Lokasyon | 135 | 23761,7949 | 176,0133 |
| Hata | 324 | 11998,2036 | 37,0315 |
| Toplam | 503 | 176719,4107 |
Havuzlama özdeşliği: lokasyon hata KT'lerinin toplamı 2382{,}951+1444{,}821+698{,}206+2231{,}278+4702{,}390+538{,}558=11998{,}204=\mathrm{KT}_H.
Adım 3 — Sabit lokasyon F testleri.
p değerleri sırasıyla 9{,}08\times10^{-12}, 2{,}69\times10^{-48} ve 1{,}18\times10^{-30}. Birleşik VK =100\sqrt{37{,}0315}/30{,}6696=19{,}84; birleşik AÖF =t_{0{,}975;\,324}\sqrt{2\cdot37{,}0315/18}=1{,}967313\times2{,}028447=3{,}9906; Tukey HSD =q_{0{,}95;\,28,\,324}\sqrt{37{,}0315/18}=5{,}300878\times1{,}434329=7{,}6032.
Adım 4 — Rastgele lokasyon. Çeşit F=649{,}3808/176{,}0133=3{,}6894, sd (27,\,135), p=2{,}58\times10^{-7}. Birleşik AÖF =t_{0{,}975;\,135}\sqrt{2\cdot176{,}0133/18}=1{,}977692\times4{,}422224=8{,}7460. AÖF iki katından fazla büyür; çeşit farkları lokasyon evrenine genellenirken etkileşim gürültüsünü de taşır.
Adım 5 — Harfler. Birleşik ortalamada en yüksek 141.28 (39,756, harf a), en düşük Desiree (16,156, harf n). LSD =3{,}9906 ölçütüyle 378 çiftten 247'si anlamlı farklıdır; MerQur'un harf gösterimi, bağımsız Python ve R tam olarak aynı 247 çifti verir.
Adım 6 — Bartlett ve Fmax. s=6, f=54: s_p^2=37{,}0315 (havuzlanmış hata KO'su ile aynı, çünkü sd'ler eşit), \sum\ln v_l=20{,}121497, C=1+\frac{1}{15}\left(\frac{6}{54}-\frac{1}{324}\right)=1{,}007202:
F_{\max}=87{,}0813/9{,}9733=8{,}73. Hata varyansları açıkça homojen değildir: LM-03'ün hata varyansı SR-03'ünkünün yaklaşık 9 katıdır. MerQur bu durumda "birleştirilmiş analiz güvenilir olmayabilir" uyarısı yazar; bu örnekte birleşik sonuçlar dikkatle, lokasyon sonuçlarıyla birlikte okunmalıdır.
Adım 7 — Rastgele lokasyonda lokasyon testi. MerQur (iki motor): F_L=257{,}04, sd (5,\,12). Karşılaştırma için kısıtsız model:
Bu veride iki tanım da çok anlamlıdır (p<10^{-11}), ama F değerleri ve sd'leri farklıdır.
Şekil 12.1. Lokasyon başına hata kareler ortalaması (sd 54) ve havuzlanmış hata KO'su (kesikli çizgi). Bartlett \chi^2(5)=83{,}05; en büyük/en küçük oranı 8,73.
Şekil 12.2. Dört klonun lokasyon ortalamaları (lokasyonlar genel ortalamaya göre sıralı). `141.28` birleşikte birinci olduğu hâlde LM-02'de on beşinci sıradadır; `319.20` LM-03'te birinci, SR-03'te yirminci sıradadır. Çizgilerin kesişmesi çeşit × lokasyon etkileşimidir (F=4{,}75).
12.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri panelin execute() sonuç nesnesinden (per_location, combined, homogeneity) alınmıştır. Motor yuvarlama yapmadığından tüm değerler tam hassasiyettir (dogrulama/multi_location_rcbd/merqur_calistir.py). R: 4.5.3, lokasyon başına anova(lm(Yield ~ Rep + Genotype)), birleşik anova(lm(Yield ~ Locality + Locality:Rep + Genotype + Genotype:Locality)) (dengeli veride ardışık KT'ler III. türle aynıdır), agricolae::LSD.test ve HSD.test (MSerror, DFerror verilerek), Satterthwaite sd'si ve Bartlett formülü R'de elle. LSD ile anlamlı çift kümesi, MerQur harflerinden (hiç harf paylaşmayan çiftler), bağımsız Python'dan ve R'den ayrı ayrı çıkarılıp karşılaştırılmıştır. Duncan ve diğer uzantı yöntemlerinin harfleri bu bölümde karşılaştırılmamıştır.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| F (Ayac) | 1,435481 | 1,435481 | 1,435481 | 4,4e−16 | ✓ |
| Hata KO (Ayac) | 44,128723 | 44,128723 | 44,128723 | 1,4e−14 | ✓ |
| VK % (Ayac) | 28,026306 | 28,026306 | 28,026306 | 7,1e−15 | ✓ |
| AÖF (Ayac) | 10,874349 | 10,874349 | 10,874349 | 3,2e−14 | ✓ |
| Tukey HSD (Ayac) | 21,251046 | 21,251046 | 21,251046 | 6,8e−08 | ✓ |
| F (LM-02) | 5,384237 | 5,384237 | 5,384237 | 1,2e−14 | ✓ |
| Hata KO (LM-02) | 26,755944 | 26,755944 | 26,755944 | 9,6e−14 | ✓ |
| VK % (LM-02) | 14,930499 | 14,930499 | 14,930499 | 3,0e−14 | ✓ |
| AÖF (LM-02) | 8,467452 | 8,467452 | 8,467452 | 1,8e−15 | ✓ |
| Tukey HSD (LM-02) | 16,547400 | 16,547400 | 16,547400 | 5,3e−08 | ✓ |
| F (SR-02) | 5,086868 | 5,086868 | 5,086868 | 1,3e−14 | ✓ |
| Hata KO (SR-02) | 12,929740 | 12,929740 | 12,929740 | 3,6e−15 | ✓ |
| VK % (SR-02) | 24,050082 | 24,050082 | 24,050082 | 2,1e−14 | ✓ |
| AÖF (SR-02) | 5,886234 | 5,886234 | 5,886234 | 8,0e−15 | ✓ |
| Tukey HSD (SR-02) | 11,503090 | 11,503090 | 11,503090 | 3,7e−08 | ✓ |
| F (Hyo-02) | 13,708968 | 13,708968 | 13,708968 | 5,3e−15 | ✓ |
| Hata KO (Hyo-02) | 41,319955 | 41,319955 | 41,319955 | 1,2e−13 | ✓ |
| VK % (Hyo-02) | 14,056297 | 14,056297 | 14,056297 | 3,2e−14 | ✓ |
| AÖF (Hyo-02) | 10,522587 | 10,522587 | 10,522587 | 8,9e−15 | ✓ |
| Tukey HSD (Hyo-02) | 20,563619 | 20,563619 | 20,563619 | 6,5e−08 | ✓ |
| F (LM-03) | 7,274069 | 7,274069 | 7,274069 | 6,2e−15 | ✓ |
| Hata KO (LM-03) | 87,081294 | 87,081294 | 87,081294 | 8,5e−14 | ✓ |
| VK % (LM-03) | 17,333980 | 17,333980 | 17,333980 | 0,0e+00 | ✓ |
| AÖF (LM-03) | 15,275838 | 15,275838 | 15,275838 | 4,4e−14 | ✓ |
| Tukey HSD (LM-03) | 29,852593 | 29,852593 | 29,852593 | 9,5e−08 | ✓ |
| F (SR-03) | 5,653074 | 5,653074 | 5,653074 | 0,0e+00 | ✓ |
| Hata KO (SR-03) | 9,973300 | 9,973300 | 9,973300 | 3,6e−15 | ✓ |
| VK % (SR-03) | 28,315018 | 28,315018 | 28,315018 | 3,6e−14 | ✓ |
| AÖF (SR-03) | 5,169661 | 5,169661 | 5,169661 | 3,6e−15 | ✓ |
| Tukey HSD (SR-03) | 10,102738 | 10,102738 | 10,102738 | 3,2e−08 | ✓ |
| KT (Lokasyon) | 122284,345823 | 122284,345823 | 122284,345823 | 1,3e−10 | ✓ |
| KT (Tekrar (Lokasyon)) | 1141,785368 | 1141,785368 | 1141,785368 | 3,2e−12 | ✓ |
| KT (Çeşit) | 17533,280963 | 17533,280963 | 17533,280963 | 7,3e−12 | ✓ |
| KT (Çeşit × Lokasyon) | 23761,794938 | 23761,794938 | 23761,794938 | 8,0e−11 | ✓ |
| KT (Hata) | 11998,203641 | 11998,203641 | 11998,203641 | 1,6e−11 | ✓ |
| F Lokasyon / Tekrar(Lok.) | 257,038177 | 257,038177 | 257,038177 | 1,7e−13 | ✓ |
| p Lokasyon | 9,0804·10−12 | 9,0804·10−12 | 9,0804·10−12 | 5,3e−26 | ✓ |
| F Çeşit (sabit lokasyon) | 17,535906 | 17,535906 | 17,535906 | 7,5e−14 | ✓ |
| p Çeşit (sabit lokasyon) | 2,6904·10−48 | 2,6904·10−48 | 2,6904·10−48 | 2,8e−61 | ✓ |
| F Çeşit (rastgele lokasyon) | 3,689385 | 3,689385 | 3,689385 | 4,4e−15 | ✓ |
| p Çeşit (rastgele lokasyon) | 2,5813·10−7 | 2,5813·10−7 | 2,5813·10−7 | 3,4e−21 | ✓ |
| F Çeşit × Lokasyon | 4,753071 | 4,753071 | 4,753071 | 9,8e−15 | ✓ |
| p Çeşit × Lokasyon | 1,1777·10−30 | 1,1777·10−30 | 1,1777·10−30 | 1,0e−43 | ✓ |
| Birleşik VK % | 19,841651 | 19,841651 | 19,841651 | 2,1e−14 | ✓ |
| Birleşik AÖF (sabit; Hata KO) | 3,990596 | 3,990596 | 3,990596 | 4,2e−13 | ✓ |
| Birleşik AÖF (rastgele; Ç×L KO) | 8,746015 | 8,746015 | 8,746015 | 7,3e−11 | ✓ |
| Birleşik Tukey HSD (sabit) | 7,603213 | 7,603213 | 7,603213 | 1,5e−09 | ✓ |
| Bartlett \chi^2 (lokasyon hata KO) | 83,054105 | 83,054105 | 83,054105 | 2,1e−13 | ✓ |
| Bartlett p | 1,9252·10−16 | 1,9252·10−16 | 1,9252·10−16 | 2,1e−29 | ✓ |
| Fmax | 8,731442 | 8,731442 | 8,731442 | 3,6e−15 | ✓ |
| F Lokasyon, GLM yolu, rastgele (payda Tekrar(Lok.) KO) | 257,038177 | 257,038177 | 257,038177 | 6,8e−11 | ✓ |
| Payda sd, GLM yolu, rastgele | 12 | 12 | 12 | 0,0e+00 | ✓ |
| F Çeşit, GLM yolu (sabit) | 17,535906 | 17,535906 | 17,535906 | 8,9e−13 | ✓ |
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| LSD ile anlamlı çift sayısı (378 çiftten; MerQur: harf paylaşmayan çiftler) | 247 | 247 | 247 | — | ✓ (kümeler özdeş) |
Sonuç: 53 sayısal büyüklüğün ve anlamlı çift kümesinin tamamı ölçütü karşılar. GLM yolu sabit ve rastgele lokasyonda klasik motorla aynıdır; rastgele lokasyonda lokasyon testi iki motorda da Tekrar(Lokasyon) KO ile yapılır ve Python ile R'deki F=257{,}04 (5, 12) değeriyle eşleşir. Adım 7'deki kısıtsız model hesabı (104,46; 5 ve 55,47 sd) yalnız karşılaştırma içindir; Python ve R'de de aynı değeri verir.
12.7 Çıktıyı okuma
MerQur'un sonuç metni (varsayılan ayarlar, kısaltılmış):
══ Çok Lokasyonlu Tesadüf Blokları - Birleştirilmiş Analiz ══
Tasarım: 28 çeşit × 6 lokasyon × 3 tekrar; N = 504; bağımlı değişken: Yield
Lokasyon etkisi: Sabit; ortalama ayrımı: AÖF (LSD); α = 0.05; korumalı (F anlamlıysa harf)
── Lokasyonlara göre özet ──
Lokasyon Ortalama F p VK (%) AÖF
Ayac 23.7 1.44 Ö.D. 0.1284 28.0 10.9
LM-02 34.6 5.38 ** <0.0001 14.9 8.5
...
Birleşik 30.7 17.54 ** <0.0001 19.8 4.0
── Birleştirilmiş varyans analizi ──
Varyasyon kaynağı SD KT KO F p
Lokasyon 5 122284.35 24456.87 257.04 ** <0.0001
Tekrar (Lokasyon) 12 1141.79 95.15
Çeşit 27 17533.28 649.38 17.54 ** <0.0001
Çeşit × Lokasyon 135 23761.79 176.01 4.75 ** <0.0001
Hata 324 11998.20 37.03
Lokasyon: payda = Tekrar (Lokasyon) KO (sd = 12)
...
── Hata varyansı homojenliği ──
Bartlett: χ² = 83.054, sd = 5, p < 0.0001; Fmax = 8.73
Hata varyansları homojen DEĞİL (p < 0.05); birleştirilmiş analiz güvenilir olmayabilir.
| Satır/Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Tasarım ve seçenek satırları | k, s, R, N; lokasyon tipi, ayrım yöntemi, \alpha, korumalı | Raporun yöntem cümlesi buradan kurulur. |
| Lokasyonlara göre özet | Ortalama, F + yıldız, p, VK, AÖF (ya da HSD) | Yıldızlar seçilen \alpha'ya bağlıdır: p\ge\alpha ise Ö.D. (önemli değil); p<\alpha ise p<0{,}01 → **, değilse *. |
| Birleştirilmiş ANOVA | KT, KO, F, p ve her testin paydası | Önce Çeşit × Lokasyon satırına bakın. Payda satırları hangi hata teriminin kullanıldığını açıkça yazar. |
| Birleşik çeşit ortalamaları | Sıra, ortalama, harf | Aynı harfi paylaşan çeşitler \alpha düzeyinde ayrılmaz. |
| Yayın tablosu | Satır çeşit, sütun lokasyon; "ort harf"; alt satırlar F, VK, AÖF, Lokasyon Ort. | Çeşit denemesi raporlarının standart tablosu; Tablo sekmesinde de vardır. |
| Hata varyansı homojenliği | Lokasyon KO'ları, Bartlett, Fmax, durum | "Homojen değil" ise birleşik testler şüphelidir. |
| Uyarılar | Homojenlik ihlali; anlamlı etkileşim | Koşullar: multi_location_rcbd.py:338–341. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
28 patates klonu altı ortamda üç tekrarlı tesadüf blokları deseninde denendi ve verim birleştirilmiş varyans analiziyle çözümlendi (lokasyon sabit). Klonlar arasında anlamlı fark vardı, F(27,\ 324) = 17{,}54, p < 0{,}001, ancak klon × ortam etkileşimi de anlamlıydı, F(135,\ 324) = 4{,}75, p < 0{,}001; klonların sıralaması ortama göre değişti. Ortam etkisi tekrarlar arası hataya karşı sınandı, F(5,\ 12) = 257{,}04, p < 0{,}001. Ortamların hata varyansları homojen değildi, Bartlett \chi^2(5) = 83{,}05, p < 0{,}001, F_{\max} = 8{,}73; bu nedenle birleşik sonuçlar ortam bazlı sonuçlarla birlikte yorumlandı. Birleşik varyasyon katsayısı %19,8, AÖF (\alpha = 0{,}05) 3,99 idi.
12.8 Uzman soruları
S1. Lokasyon sabit mi, rastgele mi alınmalı?
Lokasyonlar hedef bölgeyi temsil eden bir örneklemse ve sonuç başka yer/yıllara genellenecekse rastgele; yalnız bu lokasyonlar ilgileniliyorsa sabit. Yıllar neredeyse her zaman rastgeledir. Rastgele seçimde çeşit testi \mathrm{KO}_{TL}'ye karşı yapılır ve AÖF büyür (örnekte 3,99'dan 8,75'e). McIntosh (1983) birleştirilmiş denemelerde sabit ve rastgele lokasyon durumları için uygun F oranlarını tartışır.
S2. Çeşit × lokasyon etkileşimi anlamlıyken birleşik ortalama anlamlı mı?
Ortalama bir performansı özetler, ama sıralama değiştiği için tek başına yeterli değildir. Bu örnekte birinci sıradaki 141.28 LM-02'de on beşincidir. Lokasyon sütunlarındaki harflere, panelin dilim (SLICE) uzantısına ya da stabilite analizlerine bakılmalıdır. MerQur etkileşim anlamlıysa ayrı bir uyarı yazar (multi_location_rcbd.py:340–341).
S3. Rastgele lokasyonda lokasyon neden Tekrar (Lokasyon) KO'suyla sınanır?
Dengeli birleşik analizde lokasyonun beklenen kareler ortalaması kısıtlı karma modelde \sigma^2_{TL} içermez; doğru hata terimi Tekrar(Lokasyon)'dur (Gomez ve Gomez 1984). Klasik ve GLM motoru bu yüzden aynı paydayı kullanır ve aynı veride aynı F'yi verir (örnekte 257,04; sd 5 ve 12); iki motorun farklı F vermesi iç tutarsızlık olurdu. Kısıtsız modelde payda \mathrm{KO}_{R(L)}+\mathrm{KO}_{TL}-\mathrm{KO}_H, Satterthwaite sd'si; bu tanımla 104,46 (5, 55,47) çıkar (Hocking 1973 iki yaklaşımı karşılaştırır). Çeşit ve etkileşim testleri iki tanımda aynıdır.
S4. Bartlett neden ham veriye değil lokasyon hata KO'larına uygulanıyor?
Birleştirme varsayımı, hata varyanslarının eşitliğidir; ham verinin lokasyon içi varyansı çeşit ve blok farklarını da içerir. MerQur, birleştirilmiş analiz ders kitaplarındaki (Gomez ve Gomez 1984) gibi lokasyon hata KO'larını eşit sd ile Bartlett formülüne koyar. Bartlett testi normallikten sapmaya duyarlıdır; ihlal sınırdaysa "Varsayım tanıları" grubundaki Levene ya da O'Brien seçenekleri kullanılabilir.
S5. Korumalı LSD aile hata oranını gerçekten korur mu?
Yalnız tam sıfır hipotezi altında korur (tüm ortalamalar eşitse). Bazı ortalamalar farklı, bazıları eşitse genel F anlamlı çıkar ve eşit ortalamalar arasındaki karşılaştırmalar düzeltmesiz \alpha ile yapılır; 28 çeşitte aile hata oranı belirgin biçimde artar. Çok sayıda çeşitte Tukey ya da REGWQ daha güvenlidir; bu örnekte Tukey HSD (7,60) LSD'nin (3,99) yaklaşık iki katıdır.
S6. Duncan sonuçları R ile aynı mı?
MerQur Duncan'da adımsal kapanış kullanır: bir alt aralık anlamsızsa onu kapsayan geniş aralık da anlamsız sayılır (mlr_comparisons._stepwise_sig). R agricolae::duncan.test farklı bir gruplama yöntemi kullanabilir ve harfler ayrılabilir. Duncan'ın aile hata oranı LSD'ye yakındır; modern yayınlarda önerilmez.
S7. α'yı 0,10 yapınca ne değişir?
\alpha harfleri, AÖF ve HSD değerlerini, korumalı seçeneğin eşiğini ve yıldızları birlikte değiştirir. Yıldız etiketi sig_label(p, α) ile atanır (multi_location_rcbd.py:158–163): p\ge\alpha ise "Ö.D.", p<\alpha ise p<0{,}01 → **, değilse *; \alpha\ne0{,}05'te açıklama satırı kullanılan \alpha'yı yazar. Yıldız ile harf kararı böylece aynı \alpha'ya dayanır. Örnekte \alpha=0{,}10'da birleşik AÖF 3,99'dan 3,35'e iner ve Desiree'nin harfi "n"den "p"ye geçer. Homojenlik durum eşikleri (0,05 ve 0,10) sabittir ve uyarı metninde yazılır.
S8. Bloklar neden rastgele alınmıyor, blok testi neden yok?
Klasik TDB çözümlemesinde blok yalnız hatayı küçültmek için vardır; sınanması deneysel bir soru değildir. Birleşik tabloda Tekrar (Lokasyon) satırının F'si yoktur; yalnız lokasyon testinin paydasıdır. GLM motoru bu satırı da hata KO'suna karşı sınar (F=2{,}57, p=0{,}0029).
S9. Dengesiz veride ne değişir?
Otomatik motor GLM yoluna geçer ve sonuç metnine bunu yazar: III. tür KT, LS-ortalamaları ve harmonik n ile kurulan harfler. Kayıp parsel tekse ve lokasyon başına en çok birse "Kayıp parsel (Yates)" uzantısı klasik kestirimi verir. Bir çeşit bir lokasyonda hiç gözlenmemişse yayın tablosunda o hücre "—" görünür (multi_location_rcbd.py:359–360).
12.9 Sık hatalar ve tuzaklar
- Hata varyansı homojenliği ihlalini görmezden gelmek. Örnekte F_{\max}=8{,}73; birleşik AÖF, LM-03'te gerçek belirsizliği küçümser, SR-03'te abartır. Uyarıyı rapora yansıtın.
- Etkileşim anlamlıyken yalnız birleşik ortalamayı raporlamak. Çeşit seçimi lokasyona özgü yapılacaksa lokasyon sütunları ve harfleri esastır.
- Yıldızları sabit %5 eşikli sanmak. Yıldızlar seçilen α'ya göre verilir; α = 0,10'da 0{,}05\le p<0{,}10 da "*" alır.
- Sayıya benzeyen çeşit kodları.
319.20gibi kodlar sayı olarak okunursa319.2olur ve başka bir kodla çakışabilir; sütunu metin olarak yükleyin. - Blokları lokasyonlar arasında ortak sanmak. "Tekrar 1" her lokasyonda ayrı bir bloktur; model blokları lokasyon içinde iç içe alır. Blok etiketi bilgisi lokasyonlar arasında anlam taşımaz.
- Klasik motordan dengesiz veri beklemek. Hesap motoru "Klasik" seçilirse dengesiz veri hatayla durur; "Otomatik" GLM'ye geçer ve harfler harmonik n ile kurulur.
- Rastgele lokasyonda kısıtsız model çıktısıyla aynı lokasyon F'sini beklemek. Kısıtsız modelde payda tanımı farklıdır (S3).
- Duncan harflerini Tukey ile karıştırmak. Duncan'da "AÖF" satırı Duncan ölçütü değil, LSD başvuru değeridir.
- Ayac gibi anlamsız lokasyonda harf aramak. Korumalı seçenek açıkken F anlamsız lokasyonda harf basılmaz; boş hücre hata değildir.
12.10 Kaynaklar
- Bartlett, M. S. (1937). Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences, 160(901), 268–282. https://doi.org/10.1098/rspa.1937.0109
- de Mendiburu, F., & Simon, R. (2015). Agricolae: Ten years of an open source statistical tool for experiments in breeding, agriculture and biology. PeerJ PrePrints, 3, e1404v1. https://doi.org/10.7287/peerj.preprints.1404v1
- Duncan, D. B. (1955). Multiple range and multiple F tests. Biometrics, 11(1), 1–42. https://doi.org/10.2307/3001478
- Gomez, K. A., & Gomez, A. A. (1984). Statistical procedures for agricultural research (2. bs.). John Wiley & Sons.
- Hartley, H. O. (1950). The maximum F-ratio as a short-cut test for heterogeneity of variance. Biometrika, 37(3–4), 308–312. https://doi.org/10.1093/biomet/37.3-4.308
- Hocking, R. R. (1973). A discussion of the two-way mixed model. The American Statistician, 27(4), 148–152. https://doi.org/10.1080/00031305.1973.10479018
- McIntosh, M. S. (1983). Analysis of combined experiments. Agronomy Journal, 75(1), 153–155. https://doi.org/10.2134/agronj1983.00021962007500010041x
- Piepho, H.-P. (2004). An algorithm for a letter-based representation of all-pairwise comparisons. Journal of Computational and Graphical Statistics, 13(2), 456–466. https://doi.org/10.1198/1061860043515
- Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110–114. https://doi.org/10.2307/3002019
- Tukey, J. W. (1949). Comparing individual means in the analysis of variance. Biometrics, 5(2), 99–114. https://doi.org/10.2307/3001913