Comment puis-je tester non seulement les différences entre les pentes, mais aussi que les pentes sont différentes de zéro (significatives) dans un modèle linéaire à effets mixtes avec 1 variable continue et 1 catégorie (2 niveaux) et deux effets aléatoires.
Dans la sortie des estimations de paramètres ci-dessous, je vois que j'ai une interaction significative entre le type de tissu [MSC] et lnSe. Cela signifie que la pente pour MSC est différente de la valeur de référence. MAIS, la pente réelle du MSC est-elle différente de zéro ? ? Comment puis-je tester cela dans le modèle mixte? Il est clair que je peux exécuter une régression simple, mais je veux contrôler les effets aléatoires dans le modèle mixte.
J'utilise JMP13, la plate-forme de modèles Fit.
Merci!
Formidable. Ceci est exactement ce que je cherchais.
Merci @julien !
Salut @arstewar ,
Il y a plusieurs façons de procéder, mais je pense que la plus directe sera d'utiliser les tests de paramètres de variables indicatrices. Sélectionnez sous le triangle rouge supérieur > Estimations > Estimations de paramétrage des indicateurs pour afficher ce tableau. L'exemple ci-dessous utilise Big Class avec Sex, Height et Sex * Height comme effets de modèle, prédisant le poids. Il ne s'agit pas d'un modèle à effets aléatoires, mais la même logique s'applique et peut être étendue à ce test particulier.
Le tableau d'origine des estimations des paramètres montre les effets des paramètres et les tests par rapport à la moyenne générale, qui est la conséquence du "codage des effets" de nos termes nominaux. Cela signifie également, lorsqu'un régresseur continu est impliqué, que la pente (de la taille dans ce cas) est la pente moyenne entre les hommes et les femmes du poids à la taille, et pour trouver la pente pour les hommes ou les femmes, vous soustrayez ou ajouter le coefficient d'interaction. Par exemple, pour trouver la pente pour les hommes à l'aide du tableau d'estimation des paramètres d'origine, nous prenons la pente rapportée pour la taille, puis soustrayons le coefficient d'interaction (qui est le décalage, ou l'effet, sur la pente moyenne pour les hommes) : 4,0876 - 0,6869 = 3.4007.
Examinons maintenant le tableau de la fonction d'indicateur. Le coefficient de taille rapporté ici ne sera pas la moyenne entre hommes et femmes ; il s'agira plutôt de la pente d'un seul niveau de votre facteur catégoriel. Dans ce cas, ce seront les hommes, puisque M est après F et à moins que nous ne définissions la valeur en ordre, le dernier niveau par ordre alphabétique est utilisé comme "contrôle".Donc, nous devrions nous attendre à trouver comme coefficient de hauteur dans le tableau de paramétrage de la fonction d'indicateur la même valeur que nous venons de calculer, et en effet, 3,400653 est signalé.
Maintenant, à votre question sur les tests. Les valeurs de p rapportées ici testent les coefficients dans l'un ou l'autre des tableaux par rapport à un zéro de 0. Donc, si nous voulons savoir si la pente pour les hommes est égale à 0, nous pouvons simplement regarder dans le tableau de paramétrage de la fonction d'indicateur à la ligne pour la hauteur. Dans ce cas, nous rejetons le nul, t=4,22, p = 0,0002. Si nous voulions plutôt tester la pente pour les femmes, nous aurions besoin de modifier l'ordre des valeurs pour notre colonne dans Column Info, puis de relancer l'analyse. En gros, c'est ce que complément que j'ai sur la communauté fait pour tester des pentes simples dans un modèle de type ancova unidirectionnel. Le fait qu'il y ait des effets aléatoires dans le modèle ne change rien par rapport à ce test car JMP est suffisamment malin pour savoir calculer les erreurs types de ces coefficients dans tous les cas.
J'espère que ça aide!
@julien
