Ricevo messaggi di stima dei parametri Lost DF, Biased e Zeroed, cosa significano?Primo post qui perché sono relativamente nuovo in JMP.Ho provato a eseguire un test degli effetti a 3 vie nell'opzione di adattamento del modello e ricevo errori che dicono "DF persi".Anche le stime dei parametri forniscono risultati "distorti" e "azzerati".Nel modello di adattamento, fondamentalmente seleziono i miei 3 effetti che sono anno (2013, 2014), tipo (cimelio o standard) e varietà (20 varietà con 4 campioni ciascuno) quindi scelgo "fattoriale completo" e quindi eseguo i minimi quadrati standard con l'effetto leva selezionato come enfasi.I dati stessi comprendono 20 varietà di fagioli con diversi risultati di test come resa, altezza, peso, ecc.... Quando eseguo una corsa a 2 vie con anno*tipo o anno*varietà non ci sono problemi, ma quando aggiungo il terzo effetto è quando si verificano i problemi...Immagino di voler solo saperne di più su questi errori e se c'è qualcos'altro che dovrei fare e non lo faccio.
Ri: DF persi?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ci sono informazioni utili nei messaggi "biased" e "zeroed".Diciamo che ci sono due termini nel tuo modello A e B (so che stai guardando le interazioni a 3 vie, ma questo è semplicemente più semplice da spiegare).Se i 2 termini sono collineari (alias, correlati, scegli la terminologia che preferisci), allora statisticamente gli effetti di A e B non possono essere stimati indipendentemente l'uno dall'altro.Questo problema può essere superato inserendo A o B (ma non entrambi) nel modello.In effetti questo è ciò che JMP sta facendo per te: se inserisce A nel modello ed esclude B, A verrà etichettato come distorto e B verrà etichettato come azzerato.
Ri: DF persi?Ti consiglierei di eseguire serie di Y per X adattate a ciascuna variabile e vedere cosa ti danno gli output. Tieni presente che a seconda del tipo di dati (numerici, continui, caratteri...nominali, ecc.) l'analisi selezionata che verrà condotta varierà e ciò dipende dal tipo di dati.
Ri: DF persi?Giusto per aggiungere a ciò che ha detto Peter, secondo i miei calcoli il modello completo (per 2 * 2 livelli e 1 * 20 livelli) con intercetta, effetti principali, interazioni a 2 fattori e interazioni a 3 fattori avrà 80 parametri al suo interno. Dalla tua descrizione sembra che tu abbia 80 osservazioni. Quindi avrai un modello saturo. Inoltre, a seconda di come sono stati progettati i dati, potrebbe non essere possibile stimare alcuni di questi parametri perché alcune combinazioni di fattori non sono state osservate.
Ri: DF persi?escheenstra: Dal tuo post/domanda originale sembra che tu abbia inizialmente provato a utilizzare la subpersonalità di modellazione Analizza -> Adatta modello -> Minimi quadrati standard. Esistono tecniche di modellazione alternative basate sulla regressione che possono essere utilizzate quando non si ha il lusso di sufficienti gradi di libertà per stimare tutti i termini che si desidera stimare secondo quel percorso che potrebbero comunque fornire le risposte definitive alle domande pratiche in questione mano. Ad esempio, i minimi quadrati parziali sono una tecnica adatta per problemi ampi e superficiali... oppure, se stai utilizzando JMP Pro, dai un'occhiata alla personalità della regressione generalizzata.
Ri: DF persi?Grazie per l'aiuto, lo controllerò sicuramente.Non sembra che sia possibile eseguire quel modello con il mio attuale set di dati così com'è, a meno che non ci siano altre impostazioni o opzioni che forniranno una sorta di "soluzione".
Ri: DF persi?Fondamentalmente penso che ciò che accade quando vedi i risultati "distorti" e "azzerati" è che stai specificando più termini nel modello di quanti ne hai sufficienti gradi di libertà per stimarli. Quindi JMP ti fornisce questi messaggi... una sorta di gentile promemoria per assicurarti che il modello che stai specificando possa effettivamente essere stimato in base ai dati che hai raccolto. Potresti voler consultare il libro della Guida JMP "Adattamento di modelli lineari" dedicato a questo argomento molto ampio.
