Анализ данных по оборачиваемости, дисперсионный анализ Опции

[maxandron]

Здравствуйте!
Нужна Ваша помощь. Анализируются данные по оборачиваемости. Для 15 аптек в течение 6 месяцев (с мая по октябрь) были получены данные по оборачиваемости (приведены в прикрепленном файле). В части аптек (аптеки 5,6,9,14) были проведены мероприятия по улучшению показателей оборачиваемости (в июне). Основная задача: анализ эффективности проведенных мероприятий (и интересно (?) вообще так ли нужны они были именно в этих аптеках). Я понимаю, что мне в данном случае может помочь дисперсионный анализ (я его задал через модуль GLM). Возникли вопросы по полученным результатам.
1) Для всей модели дисперсионного анализа получил таблицу (в прикрепленном файле). Можно ли как-нибудь оценить двухфакторное взаимодействие? Как получить значение ошибки (Error)?
2) Можно ли в моем случае вообще применять дисперсионный анализ? В прикрепленном файле находятся гистограммы распределения остатков (нормальность не видна) и результаты проверки однородности дисперсии (получил высоко статистически значимую неоднородность дисперсии в ячейках дисперсионного комплекса). На данном форуме прочитал про робастность дисперсионного анализа. Или все-таки необходимо проводить преобразование данных? Но если их провести, не потеряют ли они свой смысл (как интерпретировать изменение не оборачиваемости, а квадратного корня из значения оборачиваемости)?
3) Можно ли в данном случае и как грамотно провести Post hoc сравнения? В прикрепленном файле находятся данные, полученные при использовании теста Фишера и Тьюки для данных в моем примере ("значимых различий нет").
Может, еще что-нибудь посоветуете по анализу данных в моем примере. Заранее благодарен за ответы и помощь.

Прикрепленные файлы

 Analyse.rar ( 90,6 килобайт ) Кол-во скачиваний: 303

 

[maxandron]

p2004r, спасибо за Ваш ответ и помощь!

Вы не закодировали в таблицу описанное на словах воздействие. А сам дисперсионный анализ не является эксплораторным методом, он доказывает статгипотезы о эффектах заложенных в структуру выборочных данных.

Точно. Извиняюсь. Не обратил внимание. Уточню (так как анализ не совсем мне нужен). Но по приведенным данным мы ведь имеем право проверить эффекты различий для оборачиваемости на разных сроках и для разных аптек (по приведенному примеру, в предположении, что никаких воздействий не было)? Тогда поставленные вопросы остаются открытыми.

Еще и месяц фактически не указан

Что Вы имеете в виду? Мы не имеем права для месяца присвоить значения 1-12 (для мая-5, не совсем ясно почему в прикрепленном файле 105)?
Да. И где можно почитать про эксплораторные методы анализа?

[p2004r]

p2004r, спасибо за Ваш ответ и помощь!

Точно. Извиняюсь. Не обратил внимание. Уточню (так как анализ не совсем мне нужен). Но по приведенным данным мы ведь имеем право проверить эффекты различий для оборачиваемости на разных сроках и для разных аптек (по приведенному примеру, в предположении, что никаких воздействий не было)? Тогда поставленные вопросы остаются открытыми.

Что Вы имеете в виду? Мы не имеем права для месяца присвоить значения 1-12 (для мая-5, не совсем ясно почему в прикрепленном файле 105)?
Да. И где можно почитать про эксплораторные методы анализа?

1. "Право" Вы конечно имеете вводить любые названия уровням факторов. Но тогда у Вас ещё появляется "обязанность" использовать эти же названия при описании данных.

2. А так кроме 6й аптеки все выбранные "стагнирующие" (ещё точно такие 1я и 8я)

Код

> kmeans.fd(fdata( t(scale(t(data.recast[,-1])))), ncl=2)
$cluster
[1] 1 2 2 1 1 2 2 1 1 1 1 2 2 1 2

$centers
$data
               105        106       107       108       109        110
center 1 0.9667909  0.6414424 0.4017865 0.2593579 -1.449047 -0.8203306
center 2 0.3865271 -0.1065490 0.7401991 1.0760584 -1.258059 -0.8381761

$argvals
[1] 1 2 3 4 5 6

$rangeval
[1] 1 6

$names
$names$main
[1] "fdataobj"

$names$xlab
[1] "t"

$names$ylab
[1] "X(t)"


attr(,"class")
[1] "fdata"

> table(c(1, 2, 2, 1, 1, 2, 2, 1, 1, 1, 1, 2, 2, 1, 2), 1:15)
  
    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
  1 1 0 0 1 1 0 0 1 1  1  1  0  0  1  0
  2 0 1 1 0 0 1 1 0 0  0  0  1  1  0  1

Вот если увеличить число кластеров группа экспериментальных еще больше выделилась ?3

Код

> table(c(3, 1, 4, 1, 3, 1, 1, 3, 3, 1, 4, 2, 2, 3, 1), 1:15)
  
    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
  1 0 1 0 1 0 1 1 0 0  1  0  0  0  0  1
  2 0 0 0 0 0 0 0 0 0  0  0  1  1  0  0
  3 1 0 0 0 1 0 0 1 1  0  0  0  0  1  0
  4 0 0 1 0 0 0 0 0 0  0  1  0  0  0  0

Эскизы прикрепленных изображений