Dear Friends, As a brief; We have 2 groups of dairy cows (n=18). Before performing this experiment, we fed the cows with the same ration and collected the data (this period of time called "the covariate period"). then we fed the cows with two types of diet. We have data from the covariate period (these type of data mentioned by "_b") and experimental period. When I run the SAS, it doesn't work and there isn't any comparison between groups. Please let me know how to solve this problem. Thank you very much in advance. - ruminate time (RT_b), eat time (ET_b), total chewing time (TCHT_b), ruminate chews per minute (RCHM_b) (belong to the covariate period) - ruminate time (RT), eat time (ET), total chewing time (TCHT), ruminate chews per minute (RCHM) (belong to the experimental period) data chewing_activity; input number cow$ day group period RT RT_b ET ET_b TCHT TCHT_b RCHM RCHM_b; cards; 2 Kiana 1 1 1 . 512.3333333 . 234.75 . 747.0833333 . 55.34738343 2 Kiana 2 1 1 . 557.6 . 238.55 . 796.15 . 54.74111311 2 Kiana 3 1 1 . 606.1666667 . 272.25 . 878.4166667 . 59.57216973 2 Kiana 4 1 1 . 573.4333333 . 185.9 . 759.3333333 . 55.16165784 2 Kiana 1 1 2 492.7333333 . 326.3833333 . 819.1166667 . 47.30783116 . 2 Kiana 2 1 2 532.7333333 . 331.3333333 . 864.0666667 . 52.69506034 . 2 Kiana 3 1 2 521.7666667 . 472.65 . 994.4166667 . 45.84151376 . 2 Kiana 4 1 2 523.3666667 . 423.7166667 . 947.0833333 . 51.3313237 . 2 Kiana 5 1 2 477.3333333 . 382.5333333 . 859.8666667 . 47.34758557 . 2 Kiana 6 1 2 512.65 . 317.6833333 . 830.3333333 . 52.77629327 . 4 Babsi 1 1 1 . 428.25 . 307.6833333 . 735.9333333 . 61.80116452 4 Babsi 2 1 1 . 567.3 . 397.55 . 964.85 . 70.08634798 4 Babsi 3 1 1 . 567.3 . 397.55 . 964.85 . 70.08634798 4 Babsi 4 1 1 . 592.5833333 . 414.9833333 . 1007.566667 . 70.57354719 4 Babsi 5 1 1 . 538.1333333 . 409.6 . 947.7333333 . 60.40886667 4 Babsi 6 1 1 . 498.4166667 . 309.9833333 . 808.4 . 62.34132099 4 Babsi 1 1 2 557.65 . 434.1333333 . 991.7833333 . 66.3044317 . 4 Babsi 2 1 2 557.3666667 . 462.75 . 1020.116667 . 63.81566003 . 4 Babsi 3 1 2 561.7 . 474.7666667 . 1036.466667 . 67.37844384 . 4 Babsi 4 1 2 586.8666667 . 477.7333333 . 1064.6 . 64.15612407 . 4 Babsi 5 1 2 564.45 . 495.5166667 . 1059.966667 . 56.39883101 . 4 Babsi 6 1 2 578.7166667 . 516.0166667 . 1094.733333 . 66.72323661 . 4 Babsi 7 1 2 525.4666667 . 467.9 . 993.3666667 . 61.95853382 . 5 Utah 1 1 1 . 493.3666667 . 429.5666667 . 922.9333333 . 51.67507344 5 Utah 2 1 1 . 495.3166667 . 438.3166667 . 933.6333333 . 60.62639537 5 Utah 1 1 2 551.5666667 . 448.45 . 1000.016667 . 61.2348648 . 5 Utah 2 1 2 603.7833333 . 411.1 . 1014.883333 . 49.29806239 . 5 Utah 3 1 2 620.8333333 . 456.1 . 1076.933333 . 58.87556313 . 5 Utah 4 1 2 667.9333333 . 416.55 . 1084.483333 . 56.22695833 . 5 Utah 5 1 2 548.35 . 473.1 . 1021.45 . 51.93406544 . 6 Uruguay 1 1 1 . 479.65 . 146.8833333 . 626.5333333 . 43.94994822 6 Uruguay 2 1 1 . 648.4833333 . 180.5666667 . 829.05 . 60.75618736 6 Uruguay 3 1 1 . 667.55 . 222.9 . 890.45 . 57.9373914 6 Uruguay 4 1 1 . 680.9333333 . 171.8166667 . 852.75 . 54.65156298 6 Uruguay 5 1 1 . 683.1333333 . 162.2333333 . 845.3666667 . 60.11519972 6 Uruguay 1 1 2 561.1666667 . 183.3166667 . 744.4833333 . 49.88612559 . 6 Uruguay 2 1 2 528.5333333 . 235.7 . 764.2333333 . 50.49635057 . 6 Uruguay 3 1 2 657.1666667 . 215.4 . 872.5666667 . 52.63726854 . 6 Uruguay 4 1 2 560.9833333 . 234.45 . 795.4333333 . 44.94629113 . 6 Uruguay 5 1 2 589.6166667 . 246.6666667 . 836.2833333 . 47.14744105 . 6 Uruguay 6 1 2 451.1166667 . 180.1666667 . 631.2833333 . 43.76234594 . 6 Uruguay 7 1 2 628.0833333 . 192.65 . 820.7333333 . 50.16394515 . 7 Polli 1 1 1 . 421.9333333 . 239.6833333 . 661.6166667 . 52.45664704 7 Polli 2 1 1 . 306.05 . 214 . 520.05 . 41.65148584 7 Polli 3 1 1 . 214.8 . 279.0833333 . 493.8833333 . 36.05314396 7 Polli 1 1 2 432.85 . 215.2833333 . 648.1333333 . 44.76571528 . 7 Polli 2 1 2 464.3166667 . 253.9166667 . 718.2333333 . 43.96608199 . 7 Polli 3 1 2 434.15 . 235.3333333 . 669.4833333 . 49.66014363 . 7 Polli 4 1 2 529.6166667 . 222.5666667 . 752.1833333 . 47.06875638 . 7 Polli 5 1 2 524.15 . 263.0666667 . 787.2166667 . 46.89190669 . 15 Jasmin 1 1 2 537.6666667 . 385.1333333 . 922.8 . 52.12378359 . 15 Jasmin 2 1 2 497.1833333 . 491.7166667 . 988.9 . 52.37709988 . 15 Jasmin 3 1 2 513.75 . 493.5166667 . 1007.266667 . 46.73807288 . 15 Jasmin 4 1 2 564.3333333 . 456.8 . 1021.133333 . 52.33929737 . 15 Jasmin 5 1 2 545.9 . 494.25 . 1040.15 . 49.32894535 . 15 Jasmin 6 1 2 528.1833333 . 509.0333333 . 1037.216667 . 52.22517912 . 15 Jasmin 7 1 2 528.0666667 . 442.1166667 . 970.1833333 . 57.7972506 . 17 Prima 1 1 1 . 448.9166667 . 197.5666667 . 646.4833333 . 57.22526267 17 Prima 2 1 1 . 550.4666667 . 209.9 . 760.3666667 . 57.718887 17 Prima 3 1 1 . 518.1833333 . 210.45 . 728.6333333 . 59.95986008 17 Prima 4 1 1 . 496.2166667 . 171.1 . 667.3166667 . 55.41500878 17 Prima 5 1 1 . 520.1166667 . 171.8833333 . 692 . 56.6875585 17 Prima 1 1 2 508.9 . 512.25 . 1021.15 . 63.60068316 . 17 Prima 2 1 2 521.4166667 . 390.5 . 911.9166667 . 55.55684354 . 17 Prima 3 1 2 521.9833333 . 579.5666667 . 1101.55 . 48.84366637 . 17 Prima 4 1 2 516.8833333 . 563.4 . 1080.283333 . 54.65540137 . 17 Prima 5 1 2 558.0666667 . 576.4833333 . 1134.55 . 58.49746854 . 17 Prima 6 1 2 510.6333333 . 525.4833333 . 1036.116667 . 60.81877636 . 25 Zoey 1 1 2 455.9833333 . 461.8333333 . 917.8166667 . 49.26593889 . 25 Zoey 2 1 2 441.85 . 505.6833333 . 947.5333333 . 48.89141876 . 25 Zoey 3 1 2 533.8333333 . 446.8666667 . 980.7 . 53.3089167 . 25 Zoey 4 1 2 473.9 . 473.0333333 . 946.9333333 . 59.43585057 . 25 Zoey 5 1 2 429.4166667 . 567 . 996.4166667 . 44.65467024 . 25 Zoey 6 1 2 510.1833333 . 421.0166667 . 931.2 . 58.39603725 . 26 Anna 1 1 1 . 592.8166667 . 328.95 . 921.7666667 . 74.45351708 26 Anna 2 1 1 . 530.55 . 345.15 . 875.7 . 68.12604705 26 Anna 1 1 2 605.6 . 299.9166667 . 905.5166667 . 69.98385318 . 26 Anna 2 1 2 620.1666667 . 336.9 . 957.0666667 . 79.79039647 . 26 Anna 3 1 2 580.7833333 . 399.5333333 . 980.3166667 . 63.60419964 . 26 Anna 4 1 2 599.95 . 425.1666667 . 1025.116667 . 66.29044932 . 26 Anna 5 1 2 534.8833333 . 306.2833333 . 841.1666667 . 68.96244077 . 26 Anna 6 1 2 594.2 . 422.3666667 . 1016.566667 . 60.52436068 . 1 Berta 1 2 2 464.6333333 . 288.95 . 753.5833333 . 44.22059175 . 1 Berta 2 2 2 558.3833333 . 377 . 935.3833333 . 47.83070913 . 1 Berta 3 2 2 514.25 . 381.8166667 . 896.0666667 . 45.70116516 . 1 Berta 4 2 2 519.2 . 425.55 . 944.75 . 53.16688697 . 1 Berta 5 2 2 505.7666667 . 330.1333333 . 835.9 . 47.97374403 . 1 Berta 6 2 2 519.9166667 . 300.3166667 . 820.2333333 . 51.61180604 . 10 Bella 1 2 1 . 539.95 . 455.3166667 . 995.2666667 . 55.27394252 10 Bella 2 2 1 . 565.1 . 435.9 . 1001 . 64.04556661 10 Bella 3 2 1 . 539.6333333 . 444.75 . 984.3833333 . 57.02510636 10 Bella 4 2 1 . 529.9 . 416.4166667 . 946.3166667 . 60.53788283 10 Bella 5 2 1 . 577.4166667 . 407.0833333 . 984.5 . 63.41081827 10 Bella 1 2 2 527.6166667 . 299.6166667 . 827.2333333 . 53.32722082 . 10 Bella 2 2 2 512.05 . 453.7 . 965.75 . 49.39574692 . 10 Bella 3 2 2 575.6166667 . 420.4333333 . 996.05 . 53.66446437 . 10 Bella 4 2 2 534.1166667 . 466.8166667 . 1000.933333 . 61.3771341 . 10 Bella 5 2 2 539.3833333 . 475.7166667 . 1015.1 . 52.48053657 . 10 Bella 6 2 2 525.7 . 381.85 . 907.55 . 53.41685304 . 10 Bella 7 2 2 545.4166667 . 332.2833333 . 877.7 . 55.94222306 . 12 Mala 1 2 1 . 456.2833333 . 358.05 . 814.3333333 . 57.85050974 12 Mala 2 2 1 . 606.7 . 393.2333333 . 999.9333333 . 74.71412902 12 Mala 3 2 1 . 580.6 . 444.5166667 . 1025.116667 . 75.03692419 12 Mala 4 2 1 . 538.9333333 . 372.2 . 911.1333333 . 65.26086467 12 Mala 1 2 2 529.0333333 . 311.3666667 . 840.4 . 56.40510195 . 12 Mala 2 2 2 605.9166667 . 355.3833333 . 961.3 . 70.58063955 . 12 Mala 3 2 2 548.45 . 436.5333333 . 984.9833333 . 61.15737952 . 12 Mala 4 2 2 592.3 . 396.9166667 . 989.2166667 . 70.9370578 . 12 Mala 5 2 2 580.0333333 . 411.9833333 . 992.0166667 . 64.64852499 . 12 Mala 6 2 2 588.6333333 . 339.1166667 . 927.75 . 76.70612535 . 12 Mala 7 2 2 567.2666667 . 356.9333333 . 924.2 . 64.24325202 . 14 Wendy 1 2 1 . 420.8666667 . 276.4166667 . 697.2833333 . 46.4886524 14 Wendy 2 2 1 . 586.95 . 349.7333333 . 936.6833333 . 68.89152397 14 Wendy 3 2 1 . 573.2666667 . 392.8 . 966.0666667 . 68.45728115 14 Wendy 4 2 1 . 534.65 . 363.15 . 897.8 . 62.34161347 14 Wendy 1 2 2 567.85 . 270.8666667 . 838.7166667 . 67.71210582 . 14 Wendy 2 2 2 614.1833333 . 359.0166667 . 973.2 . 68.31493023 . 14 Wendy 3 2 2 570.2 . 388.8 . 959 . 61.8021809 . 14 Wendy 4 2 2 598.7666667 . 370.8333333 . 969.6 . 61.91680676 . 14 Wendy 5 2 2 541.5333333 . 387.0166667 . 928.55 . 58.36183593 . 14 Wendy 6 2 2 537.3166667 . 264.7166667 . 802.0333333 . 60.74976394 . 18 Mona 1 2 1 . 430.4166667 . 300.0833333 . 730.5 . 56.42095517 18 Mona 2 2 1 . 577.9166667 . 402.0333333 . 979.95 . 70.58160215 18 Mona 3 2 1 . 633.4666667 . 332.7 . 966.1666667 . 63.35349864 18 Mona 4 2 1 . 635.35 . 378.65 . 1014 . 73.06776137 18 Mona 5 2 1 . 578.2833333 . 353.4 . 931.6833333 . 70.91449122 18 Mona 1 2 2 525.1666667 . 222.5666667 . 747.7333333 . 57.34038904 . 18 Mona 2 2 2 538.7 . 346.0666667 . 884.7666667 . 65.59850623 . 18 Mona 3 2 2 527.0833333 . 242.0333333 . 769.1166667 . 65.87139777 . 18 Mona 4 2 2 576.3833333 . 360.95 . 937.3333333 . 65.70578995 . 18 Mona 5 2 2 513.7166667 . 298.05 . 811.7666667 . 53.351871 . 21 Peggy 1 2 1 . 453.7333333 . 347.95 . 801.6833333 . 42.4785217 21 Peggy 2 2 1 . 572.6 . 458.1833333 . 1030.783333 . 66.99416222 21 Peggy 3 2 1 . 600.8 . 401.6166667 . 1002.416667 . 64.4804091 21 Peggy 4 2 1 . 560.2166667 . 476.95 . 1037.166667 . 61.46637467 21 Peggy 5 2 1 . 617.8166667 . 417.9 . 1035.716667 . 58.71163484 21 Peggy 1 2 2 542.05 . 361.0833333 . 903.1333333 . 53.62656543 . 21 Peggy 2 2 2 578.75 . 462.3 . 1041.05 . 46.93243105 . 21 Peggy 3 2 2 563.0666667 . 566.15 . 1129.216667 . 57.89051104 . 21 Peggy 4 2 2 647.3166667 . 488.3833333 . 1135.7 . 52.34408605 . 21 Peggy 5 2 2 552.35 . 468.6333333 . 1020.983333 . 54.39336948 . 21 Peggy 6 2 2 605.7833333 . 377.4666667 . 983.25 . 61.77809066 . 21 Peggy 7 2 2 529.7833333 . 398.3666667 . 928.15 . 49.53884953 . 22 Panama 1 2 1 . 355.95 . 410.6833333 . 766.6333333 . 46.35990943 22 Panama 2 2 1 . 508.4 . 414.6333333 . 923.0333333 . 65.97906 22 Panama 3 2 1 . 544.1666667 . 473.7 . 1017.866667 . 59.46189645 22 Panama 4 2 1 . 578.25 . 391.25 . 969.5 . 74.8761149 22 Panama 5 2 1 . 580.0166667 . 418.4333333 . 998.45 . 68.02689378 22 Panama 1 2 2 557.1166667 . 340.3666667 . 897.4833333 . 58.26238501 . 22 Panama 2 2 2 553.25 . 459.2333333 . 1012.483333 . 58.44362187 . 22 Panama 3 2 2 551.9 . 496.2333333 . 1048.133333 . 55.81435611 . 22 Panama 4 2 2 544.25 . 462.55 . 1006.8 . 68.3724288 . 22 Panama 5 2 2 512.4166667 . 424.85 . 937.2666667 . 59.52049504 . 22 Panama 6 2 2 570.8833333 . 350.4666667 . 921.35 . 62.24124437 . 22 Panama 7 2 2 428.3333333 . 250.85 . 679.1833333 . 49.72991708 . 23 Isa 1 2 2 511.15 . 238.1666667 . 749.3166667 . 55.82450246 . 23 Isa 2 2 2 655.5333333 . 301.45 . 956.9833333 . 63.42457437 . 23 Isa 3 2 2 468.3833333 . 277.1666667 . 745.55 . 56.8581982 . 23 Isa 4 2 2 645.8166667 . 293.7666667 . 939.5833333 . 63.42838131 . 23 Isa 5 2 2 596.35 . 315.35 . 911.7 . 67.28577052 . 23 Isa 6 2 2 602.7333333 . 258.95 . 861.6833333 . 69.87836376 . 23 Isa 7 2 2 496.6666667 . 232.7333333 . 729.4 . 60.12410743 . 24 Bianca 1 2 1 . 487.5333333 . 368.15 . 855.6833333 . 48.78756598 24 Bianca 2 2 1 . 514.5166667 . 480.7333333 . 995.25 . 51.76566887 24 Bianca 3 2 1 . 516.0333333 . 445.5166667 . 961.55 . 56.86901512 24 Bianca 4 2 1 . 514.8833333 . 387.35 . 902.2333333 . 56.0037657 24 Bianca 1 2 2 492.7333333 . 326.3833333 . 819.1166667 . 47.30783116 . 24 Bianca 2 2 2 532.7333333 . 331.3333333 . 864.0666667 . 52.69506034 . 24 Bianca 3 2 2 521.7666667 . 472.65 . 994.4166667 . 45.84151376 . 24 Bianca 4 2 2 523.3666667 . 423.7166667 . 947.0833333 . 51.3313237 . 24 Bianca 5 2 2 477.3333333 . 382.5333333 . 859.8666667 . 47.34758557 . 24 Bianca 6 2 2 512.65 . 317.6833333 . 830.3333333 . 52.77629327 . ; proc mixed data= chewing_activity; class day cow group period; model RT= RT_b group; random cow(group*period)/ type=vc; repeated day/ subject=cow(group) type=ar(1); lsmeans group / CL pdiff adjust=tukey CORR ; run; proc mixed data= chewing_activity; class day cow group period; model ET= ET_b group; random cow(group*period)/ type=vc; repeated day/ subject=cow(group) type=ar(1); lsmeans group / CL pdiff adjust=tukey CORR ; run; proc mixed data= chewing_activity; class day cow group period; model TCHT= TCHT_b group; random cow(group*period)/ type=vc; repeated day/ subject=cow(group) type=ar(1); lsmeans group / CL pdiff adjust=tukey CORR ; run; proc mixed data= chewing_activity; class day cow group period; model RCHM= RCHM_b group; random cow(group*period)/ type=vc; repeated day/ subject=cow(group) type=ar(1); lsmeans group / CL pdiff adjust=tukey CORR ; run; This is the edited message according to dear Paige Miller advice. Thank you Paige Miller.
... View more