解釋多元變異數分析重複測量你好，很棒的人們！
我有生以來第一次在 JMP 中嘗試多元變異數分析！ 我已將包含多元變異數分析分析的文件附加到資料表中。 由於某種原因，我無法保存響應規範（我將其設置為重複測量）*如果有人知道如何保存此設置，請賜教。
我需要協助回答 2 個問題。
1. 我正在研究三個學術群體之間的變化是否有差異。 我要找哪一欄？ 當然，有時間的影響。
但是，我很困惑是否應該查看“科目之間”下的“[All Between]”和“[academic_program_new]”列，還是“科目內”下的“[Time*academic_program_new]”列。
2. 如何計算偏eta平方。 我不介意手動計算，但我沒有看到任何 SS 錯誤。
先感謝您！
回覆：解釋多元變異數分析重複測量你好@seoleelvjs ,
當然不是來糾纏我的！ 繪圖和分析（JMP 範圍）的層級排序是基於感興趣列的值排序屬性；如果您沒有特別定義排序，則預設情況下該列的層級會按字母順序排序。 若要覆寫預設的字母順序以便您可以指定對您的情況有用的順序，請右鍵單擊表格中的列，然後前往「列資訊」。 進入「時間」列的「列資訊」後，按一下左下角的「列屬性」下拉列表，然後選擇「值排序」。 這將在“列資訊”中顯示“值排序”控制面板（如下所示）。 現在您可以重新排列列級別。 此變更不僅會影響擬合模型的輸出，還會影響需要顯示列級順序的所有輸出。
朱利安
回覆：解釋多元變異數分析重複測量很抱歉一直困擾您，但我只想問一個簡單的問題。
LS 均值圖給出了時間點的稍微顛倒的名稱，如下所示。 正確的簡報方式是前 > 後 > 30 天...
下面是 JSL。 是否有某種我不知道的設定？
Fit Model(
Y( :Data ),
Effects( :academic_program_new, :Time, :academic_program_new * :Time ),
Random Effects(
:user_id[:academic_program_new],
:user_id * :Time[:academic_program_new]
),
NoBounds( 1 ),
Personality( "Standard Least Squares" ),
Method( "REML" ),
Emphasis( "Minimal Report" ),
Run(
:Data << {Analysis of Variance( 0 ), Lack of Fit( 0 ),
Plot Actual by Predicted( 0 ), Plot Regression( 0 ),
Plot Residual by Predicted( 0 ), Plot Effect Leverage( 0 ),
{:academic_program_new << {LSMeans Table( 0 )}, :academic_program_new *
:Time << {LSMeans Plot( 1 )}}}
),
SendToReport(
Dispatch( {"Response Data"}, "Effect Details", OutlineBox, {Close( 0 )} )
)
)
先感謝您！
回覆：解釋多元變異數分析重複測量再次感謝您=）希望您和您的開發團隊繼續創造奇蹟！回覆：解釋多元變異數分析重複測量不客氣！ 我很高興它有幫助。
是的，我編寫的插件呼叫*相同*線性混合效應模型分析（透過 REML 擬合）。 JMP 已經可以透過「擬合模型」對話方塊來擬合這些模型（如您所見），因此該外掛程式所做的就是在為您定義效果後招募該平台。 我編寫該插件的主要原因是當您有多個因子交叉的主題內和/或主題間因素時，可以簡化這些模型的設定。 在這些情況下，定義所有正確的模型效果和互動可能會有點麻煩，所以我認為有一個插件來處理這個問題會很有用。 我當然不能將適合這些模型的程式碼歸功於我！ 這種魔力是由創建 JMP 的令人驚嘆的開發團隊實現的。
@朱利安
回覆：解釋多元變異數分析重複測量非常感謝您提供詳細的解決方案和徹底的逐步解釋！ 我非常感激...
我已經嘗試了這三種（REML、EMS 和 MANOVA），但沒有刪除丟失資料的受試者，並且每個都給出了不同的結果，正如您所解釋的那樣，這是有道理的。 我會毫不猶豫地接受你關於使用REML 而不是EMS 的建議...看來REML 顯示了對這種關係的更準確的描述（我可以透過查看LS 均值圖就知道這一點...看起來只有與多元變異數分析相比，不同時間段的組別之間的 LS 平均值略有差異，且對缺失資料更具彈性。
最後一個問題，REML 和您提供的插件本質上是相同的模型嗎？
回覆：解釋多元變異數分析重複測量你好，我們又見面了@seoleelvjs ,
作為後續行動，我認為我應該提到，在您的情況下，由於您沒有完整的數據（某些受試者的某些時間點缺少觀察結果），因此這些不同分析的結果不會相同。 由於每次分析都以不同的方式處理數據，因此對缺失的處理方式也不同，導致不同的結果。 為了讓您可以看到這些方法的關係（以及每個輸出中相關結果之間的聯繫），我創建了一個數據集版本，刪除了所有缺失數據的受試者（因此我們擁有所有個體的完整數據）。 當我們執行這三種分析（MANOVA、EMS、REML）時，您會看到我們得到相同的結果。下面是標記了相關區域的螢幕截圖。 我希望這有幫助！
-朱利安
回覆：解釋多元變異數分析重複測量你好@seoleelvjs ,
我能夠在您的表中運行 Manova 腳本，它很好地再現了您指定的重複回應。 您將在已儲存的腳本中看到該 jsl：
Response Function( "Sum", Repeated( 1 ), Title( "Between Subjects" ) ),
Response Function(
"Contrast",
Repeated( 2 ),
Prefix( "Time*" ),
Title( "Within Subjects" )
)
至於解釋，我知道 Manova 的輸出似乎有點冗長，但是一旦您知道在哪裡查看就會很容易！ 對於時間的受試者內效應（是否有證據表明該方法與前/後/30 天不同，對學術課程進行平均），請在時間部分中找到 F 以及相關的 DF 和 p 值：
對於您的學術課程測驗（無論課程的方法是否不同，隨時間平均），請查看“academic_program_new”下的科目間部分：
對於學科內部和學科之間因素之間的相互作用，測試您是否有證據表明不同學術課程的時間效應有所不同（或者同等地，您是否有證據表明學術課程差異不同且不同的時間點），請查看Time*academic_program_new 下的 Within-Subjects 部分，然後選擇您最喜歡的多元 f 統計量（無論您的領域中最常見的是什麼 - 我猜是 Lambda）：
在我們開始計算部分 eta 平方之前，需要注意一些額外的注意事項。 您請求的輸出用於真正的多變量變異數分析，其中我們正在建立多個受試者內回應的線性對比。 這些檢定不是傳統的單變量重複測量檢定。 如果您希望請求單變量重複測量測試（您可能從 SPSS 重複測量中獲得什麼），您可以在調用重複對比時執行此操作 - 只需選中單變量測試框即可：
當您執行此操作時，您將在每個部分中收到額外的輸出。 請注意，對於每個受試者內測試，都有 Univar 測試，包括未校正的和 epsilon 校正的。 還有大家熟悉的球形度測試。
現在，關於部分 eta 平方的最後一個問題。 您將無法從此輸出中獲得所需的特定值，但您可以稍微重組數據，然後透過「擬合模型」以不同的方式運行此模型。
首先，我們將使用「表」>「堆疊」來堆疊資料。 我們將告訴 jmp 堆疊三個時間列，然後在對話方塊中適當地標記這些列：
這將傳回一個表格，其中重複測量是跨行而不是單獨的列（此處附有資料集）：
接下來，我們將返回“分析”>“擬合模型”，但我們不會指定多個Y 列，而是在模型效果部分中完全定義重複結構，並且我們將利用您的user_id 列告訴JMP 存在隨機效應展示。 為此，我們首先添加“固定”效果、學術計劃和時間的完整階乘，然後添加 user_id，選擇它後單擊屬性旁邊的紅色三角形，然後選擇隨機。 這將告訴 JMP 該效應是隨機效應（受試者始終如此）。 為了完全正式，我們需要告訴 jmp 您的科目嵌套在科目間條件內，因此我們在模型效果中選擇 user_id 因子，然後在列列表中選擇學術課程，然後按一下「嵌套」。最後，如果您希望以某種方式運行此模型，從而為您的 eta 平方計算提供 SS，請將右上角的“方法”更改為 EMS 傳統（我將在一分鐘內回到此選擇）。 您的對話框應如下所示：
當您按一下「執行」時，您將獲得傳統的預期均方重複測量輸出，以及計算部分 eta 平方所需的所有項目：
透過將方法變更為 EMS，您告訴 JMP 使用預期均方來計算此模型，這是擬合這些重複測量模型的傳統且較舊的方法。 最初的預設值 REML 是這些模型的首選方法（出於許多統計原因），並且會傳回線性混合效應模型。 如果您有完整的數據，混合模型和 ems 模型將傳回相同的 p 值。 當缺少數據（隨機）時，混合模型將優於 EMS。 基於這個原因和其他原因，我絕對會推薦 REML 而不是 EMS，儘管您將無法為您的因素計算簡單的效應大小度量（如果您感興趣，您可以閱讀混合效應模型中效應大小的爭議） 。
如果您希望透過混合模型方法簡化這些重複測量模型的規範，您可以在此處下載我的全因子重複測量外掛程式：重複測量插件。 唯一的要求是您的資料採用高/堆疊形式（我們上面所做的）。
我希望這有幫助！
@朱利安
