Je reçois des messages d'estimation de paramètres Lost DF, Biased et Zeroed, que signifient-ils ?Premier message ici car je suis relativement nouveau sur JMP.J'ai essayé d'exécuter un test d'effets à 3 voies dans l'option d'ajustement du modèle et j'obtiens des erreurs indiquant "DF perdus".Les estimations de paramètres donnent également des résultats « biaisés » et « mis à zéro ».Dans le modèle d'ajustement, je sélectionne essentiellement mes 3 effets qui sont l'année (2013, 2014), le type (héritage ou standard) et la variété (20 variétés avec 4 échantillons chacune), puis je choisis "factoriel complet", puis j'exécute les moindres carrés standard. avec un effet de levier sélectionné comme priorité.Les données elles-mêmes se composent de 20 variétés de haricots avec différents résultats de tests comme le rendement, la hauteur, le poids, etc.... Lorsque j'exécute un bidirectionnel avec année*type ou année*variété, il n'y a pas de problème, mais lorsque j'ajoute le troisième effet, c'est là que les problèmes surviennent...Je suppose que je veux juste en savoir plus sur ces erreurs et s'il y a autre chose que je devrais faire, ce n'est pas le cas.
Re : DF perdus ?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Il y a des informations utiles dans les messages « biaisés » et « mis à zéro ».Disons qu'il y a deux termes dans votre modèle A et B (je sais que vous envisagez des interactions à 3 voies mais c'est juste plus facile à expliquer).Si les 2 termes sont colinéaires (alias, corrélés, faites votre choix de terminologie) alors statistiquement les effets de A et B ne peuvent pas être estimés indépendamment l'un de l'autre.Ce problème peut être surmonté en plaçant A ou B (mais pas les deux) dans le modèle.En fait, c'est ce que JMP fait pour vous : s'il place A dans le modèle et exclut B, alors A sera étiqueté comme biaisé et B sera étiqueté comme mis à zéro.
Re : DF perdus ?Je vous recommande de faire des séries d'ajustements Y par X sur chacune des variables et de voir ce que les sorties vous donnent. Gardez à l'esprit qu'en fonction de votre type de données (numériques, continues, caractères...nominales, etc.), l'analyse sélectionnée qui sera effectuée variera et cela dépend de votre type de données.
Re : DF perdus ?Juste pour ajouter à ce que Peter a dit, à mon avis, le modèle complet (pour les niveaux 2 * 2 et 1 * 20) avec l'interception, les effets principaux, les interactions à 2 facteurs et les interactions à 3 facteurs contiendra 80 paramètres. D'après votre description, il semble que vous ayez 80 observations. Vous aurez donc un modèle saturé. De plus, selon la façon dont les données ont été conçues, il peut ne pas être possible d'estimer certains de ces paramètres parce que certaines combinaisons de paramètres de facteurs n'ont pas été observées.
Re : DF perdus ?escheenstra : D'après votre message/question d'origine, il semble que vous ayez initialement essayé d'utiliser la sous-personnalité de modélisation Analyse -> Ajuster le modèle -> Moindres carrés standard. Il existe d'autres techniques de modélisation basées sur la régression qui peuvent être utilisées lorsque vous ne disposez pas de degrés de liberté suffisants pour estimer tous les termes que vous souhaitez estimer sous cette voie et qui pourraient néanmoins fournir les réponses ultimes aux questions pratiques de main. Par exemple, les moindres carrés partiels sont une technique bien adaptée au problème large et superficiel... ou si vous utilisez JMP Pro, consultez définitivement la personnalité de régression généralisée.
Re : DF perdus ?Merci pour votre aide, je vais certainement vérifier ça.Il ne semble pas que l'exécution de ce modèle soit possible avec mon ensemble de données actuel tel quel, à moins qu'il n'existe d'autres paramètres ou options qui fourniront une sorte de « solution de contournement ».
Re : DF perdus ?Fondamentalement, je pense que ce qui se passe lorsque vous voyez les résultats « biaisés » et « mis à zéro », c'est que vous spécifiez plus de termes dans le modèle que vous ne disposez de degrés de liberté suffisants pour les estimer. JMP vous envoie donc ces messages... une sorte de petit rappel pour vous assurer que le modèle que vous spécifiez peut effectivement être estimé par les données que vous avez collectées. Vous souhaiterez peut-être consulter le livre d'aide JMP « Ajustement des modèles linéaires » consacré à ce sujet très vaste.
