Analysis of covariance in agronomy and crop research
Notice bibliographique
Résumé
Yang, R.-C. and Juskiw, P. 2011. Analysis of covariance in agronomy and crop research. Can. J. Plant Sci. 91: 621–641. Analysis of covariance (ANCOVA) is a statistical technique that combines the methods of the analysis of variance (ANOVA) and regression analysis. However, ANCOVA is an advanced topic that often appears towards the end of many textbooks, and thus, it is either taught cursorily or ignored completely in many statistics classes. Additionally, many elaborated applications of ANCOVA to agronomy and crop research along with uses of the latest statistical software are rarely described in textbooks or classes. The objectives of this paper are to provide an overview on conventional ANCOVA and to introduce more advanced uses of ANCOVA under mixed models. We describe three elaborate applications including (i) the use of ANCOVA for dissecting dosage responses for different treatments, (ii) stability of treatments across multiple environments and (iii) removal of spatial variation that is not effectively controlled by blocking. These analyses illustrate that ANCOVA is either a simpler analysis or provides more information than conventional statistical methods. We provide a technical appendix ( Appendix A ) on principles and theory underlying mixed-model analysis of ANCOVA along with SAS programs ( Appendix B ) for more uses and in-depth understanding of this powerful technique in agronomy and crop research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».