JMP 和 Excel 在虛擬變量回歸輸出中的差異大家好，
這裡的新手問題：我正在使用 JMP 為學校項目進行虛擬變量回歸。 當我交叉引用 Excel 的版本時，我意識到即使 t-stats 相同，係數也完全不同。
JMP：
這兩個圖像是 JMP 的，您可以看到，與 Excel 的版本相比，即使我使用相同的屬性，這些數字也是不同的。
這不是因為交互效應，就像我對變量所做的那樣，沒有交互效應（例如 COO x 優惠券），結果仍然不同。
奇怪的是，Excel 的版本似乎比 JMP 的版本更正確，與我的次要研究和其他主要研究更接近。
有什麼建議嗎？
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異根據定義，標準誤差為 1。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異嗨，馬克，
在 JMP 中對擬合模型運行回歸後，除了“如何找到每個自變量的 beta 係數的標準誤差”之外，所有問題都得到了解答。
你能為我指出正確的方向嗎？ 謝謝！
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異沒有附加圖像。
該鏈接將我帶到一個顯示“超時”的頁面。
回答了哪個問題？ 答案是什麼？ （謝謝！）
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異嗨，馬克，
謝謝你這麼快回來。
如果您參考附加的圖像，那是運行回歸後的分析輸出。 所以我的問題是，有沒有辦法讓我找到“估計的總標準誤差”，如果有這樣的事情，因為目前我能看到的關於標準誤差的所有信息都是每個係數估計值。
謝謝。 我明白你來自哪裡。
另一件事是，有沒有辦法找到擬合模型分析中每個自變量的 beta 係數的標準誤差？ 我了解這是用於查找 beta 係數的方法： http://www.jmp.com/support/notes/36/009.html
問候，
弗雷德
[編輯，因為我找到了其中一個問題的答案]
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異我需要澄清一下。
- “對整體模型的估計”是什麼意思？ 你估計參數。 你能告訴我一個可用的例子嗎？ 那我可能會認出來。
- 我們通常不比較模型之間的參數估計。 我們改為使用型號選擇標準（例如，調整後的 R 平方、AICc、BIC、Mallow's Cp）選擇具有最小偏差和方差的模型，然後推斷所選模型的參數估計。 我們不想將來自不同模型的兩個估計與差異的假設檢驗進行比較。 估計預計將取決於模型中的其他項，除了所有估計都是正交（不相關）的罕見情況，因此不同的模型（即不同的項集）通常會對任何給定項產生不同的估計。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異嗨，馬克，
謝謝你的幫助！ 您在如何使用 JMP 方面幫助了我很多。
我在終點線，所以還有兩個問題：
1）運行回歸後，我似乎無法找到整體模型的估計標準誤差（我只能找到每個自變量的標準誤差）。 你能指出我正確的方向嗎？
2）假設我有一個回歸產生的係數估計值，以及另一個回歸產生的係數估計值。 我可以對 JMP 中的係數估計值進行 t 檢驗嗎？如果是這樣，您對我該如何處理有什麼建議嗎？
非常感謝您對此的幫助！ 謝謝。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異首先，正如我之前所說，您不需要在 JMP 中創建虛擬變量。 它是一個統計分析和建模軟件。
其次，按照我對因子的描述創建數據列（不是每個因子水平的單獨虛擬變量列），以便每個因子使用一個數據列並直接為每一行輸入值。
第三，創建一列（例如 Respondent），並用標識每一行的受訪者的值填充它。
現在選擇分析 > 擬合模型。 選擇響應列並單擊 Y。 選擇因子列並單擊添加或使用交叉或宏將交互效果添加到模型中。選擇 Respondent 效應（不是數據列），單擊 Attributes 旁邊的紅色小三角並選擇 Random Effect。 這種改變就是你所要做的。 您只是將受訪者（隨機）的影響類型與其他因素（固定）的影響類型區分開來。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異嗨，馬克，
感謝您的快速回复。 抱歉，我的解釋不夠具體。
你是對的。 一位受訪者提供了不止一個觀察結果，但分析將每個觀察結果解釋為獨立的，並且當實際情況不正確時，將其解釋為一個受訪者。
我想要做的是在 JMP 的擬合模型中調整這種聚集相關性的標準誤差。
我怎樣才能從下面的控制台（如果它來自這裡）？ （：
https://www.gsb.stanford.edu/faculty-research/working-papers/when-should-you-adjust-standard-errors-clustering
問候，
弗雷德
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異我無法很好地描繪您的研究及其數據，無法回答您最新的問題。 （注意：我沒有說“最後一個”問題。）“聚類相關因素”是什麼意思？ 我知道它與“虛擬變量都被視為獨立條目”和“由同一受訪者完成”有關。
JMP 數據表中的一行表示構成一個觀測值的所有值。 也就是說，您知道完整記錄的每個變量（獨立變量和相關變量）的值。 你是說有另一個變量，受訪者，它可以識別觀察，受訪者貢獻了不止一個觀察，並且你想解釋受訪者在響應中的可變性？ 如果是這樣，請在您的數據表中輸入此變量並將其作為項添加到擬合模型中。 一定要選擇它，單擊屬性的紅色三角形，然後選擇隨機效果。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異嗨，馬克，
再次感謝您的幫助。 感謝您的及時回复，這確實幫助我更好地了解如何在我的工作中使用 JMP。
我確實有最後一個問題：我是否可以選擇考慮聚類相關性。 問題是，當其中一些由同一受訪者完成時，我的虛擬變量都被視為獨立條目，這意味著我需要將其考慮在內。
我了解其他統計軟件允許通過唯一變量實現這一點，但有沒有辦法使用 JMP 中的擬合模型來實現。
謝謝你的幫助。
問候，
弗雷德
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異正確，選擇交互中涉及的因素的數據列，然後單擊交叉。
請參閱宏按鈕以獲取許多方便的快捷方式，例如階乘到度數。 度數設置為 2 時，它將使用選定的數據列添加所有可能的二因素。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異該參數被解釋為響應與平均值的變化。 事實上，負值確實表示響應變量下降。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異除了新手問題（請原諒我），我還在研究不同變量與原產國之間的相互作用。
從軟件的角度來看，這就是我們如何設置模型（使用“交叉”按鈕）來研究 Updates 和 COO - USA 之間的交互效果嗎？
在此先感謝，馬克。
問候，
弗雷德
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異嗨，馬克，
感謝您的快速回复。 我認為這非常有幫助。
也想藉此機會問一下：相對於基線，負估計是否意味著這些變量的存在會降低偏好（假設偏好是 LHS 變量，並且它被編碼為低 = 不偏好和高 = 偏好）？
與 Excel 相比，這將是一個奇怪的發現，因為預計這些變量會增加偏好。
回复：JMP 和 Excel 在虛擬變量回歸輸出中的差異Excel 不是更正確。 他們只是不同。 它與參數化的線性模型。 選擇在數學上是任意的，但每種方式都有其優勢。 JMP 使用效果參數化. 這種方式應該使參數估計更易於解釋。 它們總和為零，因此截距是原點的平均響應。 給定水平的參數是截距的變化。 所以估計-0.55112為了首席運營官 - 美國 = 0表示該水平的平均值為 5.8482381 - 0.55112 = 5.2941181。 這些圖旨在幫助解釋所選模型。
由於您使用的是具有正確名義建模類型的數值，因此 JMP 可以正確估計這些分類預測變量的效果。 但是，數字代碼可能會被 Excel 解釋為連續變量，因為它沒有像統計建模和測試基礎的建模類型那樣。 該模型可能導致非常不同的估計、測試和解釋。
看幫助>圖書>擬合線性模型>附錄 A：統計細節>因子模型.
