Comprender la trama dividida

¿Alguien puede explicarme la intuición detrás de la trama dividida?

Por lo que entiendo, se trata esencialmente de aleatorización restringida. Pero todavía no lo entiendo del todo. ¿Hay algún recurso o ejemplo que alguien pueda darme para aclararlo?

Los gráficos divididos a menudo se usan por necesidad, pero puede haber ventajas estadísticas en términos de precisión de sus contrastes (o también desventajas). Aquí está mi comprensión rudimentaria de la intuición para usar la trama dividida:

Primero, permítanme establecer que dos términos comunes en el diseño de parcelas divididas son "factor de trama completo" y "factor de subtrama". En un estudio agrícola, todo el factor de la parcela está en una escala espacial más grande, digamos campos enteros, que representan diferentes niveles de algún tratamiento, como la eficiencia del drenaje. Los factores de subtrama están anidados espacialmente dentro del factor de trama completo. Los factores de subtrama a menudo son algo que se puede aplicar a una escala espacial más pequeña, como el tipo de cultivo.

Aparte de las razones de practicidad (que puede ser el caso en el ejemplo que escribí anteriormente), el poder dividido puede ser eficiente (¡o ineficiente!). Federer y King 2007 sugieren que una razón para usar el diagrama dividido es que, en comparación con un ANOVA de 2 vías, generalmente tiene una mayor precisión para detectar contrastes entre los factores del diagrama secundario. Además, los efectos de interacción pueden ser más fáciles de detectar. En contraste, la precisión para detectar contrastes entre todo el factor de trazado generalmente disminuye.

Estas diferencias se explican por el hecho de que se utilizan dos términos de error residual separados para la prueba de hipótesis. El término de error de trama completa se calcula promediando primero las subparcelas dentro de cada trama completa.

El diagrama de saliva también se usa a veces como un diagrama dividido en el tiempo, que, según tengo entendido, es similar a las medidas repetidas, a menudo utilizadas en sujetos. No estoy seguro de cuál es la ventaja de una forma u otra en esto. La terminología se asigna de la siguiente manera:

 split-plot design = repeated-measures design
 whole plot        = subject
 whole plot factor = between-subject factor
 split-plot factor = within-subject factor = repeated-measures factor

Una referencia muy completa sobre la teoría y la implementación de parcelas divididas es: Federer WT & King F (2007) Variaciones en parcelas divididas y diseños de experimentos de bloques divididos (John Wiley & Sons).

Un buen recurso sería Mead " El diseño de experimentos " (1988), capítulo 14. Creo que hay una nueva versión aquí . Pero realmente no necesita la nueva versión para comprender el diagrama dividido, y supongo que tiene acceso a estos libros en su biblioteca local.

Puedo darte mi valor de 2 centavos. En el mundo ideal, si tienes 2 tratamientos, querrás hacer un diseño factorial. Es probablemente el diseño más eficiente que puede usar. Sin embargo, a menudo hay una limitación práctica. Quizás los 2 tratamientos tengan que aplicarse a diferentes niveles de la unidad (1 más grande, 1 más pequeño), entonces tendrá que lidiar con un diagrama dividido. Entonces, mi punto de vista de la parcela dividida es que surge de una limitación práctica.

Vinculando a la noción de aleatorización restringida, sí, la gráfica dividida es un tipo de aleatorización restringida. El tratamiento que se aplica a la unidad principal (parcela 'más grande') se aleatoriza en un sentido restringido. Pero la restricción se plantea por limitación práctica más que por ideal estadístico.