Wie teste ich nicht nur auf Unterschiede zwischen Steigungen, sondern auch, ob die Steigungen in einem linearen Modell mit gemischten Effekten mit 1 kontinuierlichen und 1 kategorialen (2 Stufen) Variablen und zwei zufälligen Effekten von Null (signifikant) verschieden sind?
In der Ausgabe der Parameterschätzungen unten sehe ich, dass ich eine signifikante Wechselwirkung zwischen Gewebetyp [MSC] und lnSe habe. Das bedeutet, dass sich die Steigung für MSC vom Basislinienwert unterscheidet. ABER, unterscheidet sich die tatsächliche Steigung von MSC von Null?? Wie teste ich das im gemischten Modell? Natürlich kann ich eine einfache Regression ausführen, aber ich möchte zufällige Effekte im gemischten Modell kontrollieren.
Ich verwende JMP13, Fit Model Platform.
Vielen Dank!
Umwerfend. Das ist genau das, wonach ich gesucht habe.
Vielen Dank @julianisch !
Hi @arstewar ,
Es gibt ein paar Möglichkeiten, dies zu tun, aber ich denke, die direkteste wird die Verwendung der Indikatorvariablen-Parametertests sein. Wählen Sie unter dem oberen roten Dreieck > Schätzungen > Indikatorparameterisierungsschätzungen aus, um diese Tabelle anzuzeigen. Das folgende Beispiel verwendet „Große Klasse“ mit „Geschlecht“, „Größe“ und „Geschlecht * Größe“ als Modelleffekte, um das Gewicht vorherzusagen. Kein Zufallseffektmodell, aber die gleiche Logik gilt und kann für diesen speziellen Test erweitert werden.
Die Tabelle mit den ursprünglichen Parameterschätzungen zeigt Parametereffekte und Tests in Bezug auf den Gesamtmittelwert, der die Folge der „Effektcodierung“ unserer nominalen Terme ist. Das bedeutet auch, wenn ein kontinuierlicher Regressor beteiligt ist, dass die Steigung (in diesem Fall der Körpergröße) die durchschnittliche Steigung zwischen Männern und Frauen von Gewicht zu Körpergröße ist, und um die Steigung für Männer oder Frauen zu finden, würden Sie entweder subtrahieren oder Füge den Interaktionskoeffizienten hinzu. Um zum Beispiel die Steigung für Männer unter Verwendung der ursprünglichen Parameterschätzungstabelle zu finden, nehmen wir die angegebene Steigung für die Körpergröße und subtrahieren dann den Interaktionskoeffizienten (der der Offset oder Effekt auf die durchschnittliche Steigung für Männer ist): 4,0876 - 0,6869 = 3.4007.
Sehen wir uns nun die Indikatorfunktionstabelle an. Der hier angegebene Größenkoeffizient ist nicht der Durchschnitt zwischen Männern und Frauen; vielmehr wird es die Steigung für nur eine Stufe Ihres kategorialen Faktors sein. In diesem Fall werden es die Männchen sein, da M nach F ist und wenn wir keine Wertreihenfolge festlegen, wird die alphabetisch letzte Ebene als „Kontrolle“ verwendet.Wir sollten also erwarten, dass wir als Koeffizient für die Höhe in der Parameterisierungstabelle der Indikatorfunktion denselben Wert finden, den wir gerade berechnet haben, und tatsächlich wird 3,400653 gemeldet.
Nun zu Ihrer Frage zu den Tests. Die hier gemeldeten p-Werte sind Testkoeffizienten in beiden Tabellen gegen einen Nullwert von 0. Wenn wir uns also dafür interessieren, ob die Steigung für Männer gleich 0 ist, können wir einfach in der Parameterisierungstabelle der Indikatorfunktion in der Zeile für die Körpergröße nachsehen. In diesem Fall verwerfen wir die Null, t=4,22, p = 0,0002. Wenn wir stattdessen daran interessiert wären, die Steigung für Frauen zu testen, müssten wir die Wertereihenfolge für unsere Spalte in Column Info ändern und dann die Analyse erneut ausführen. Im Wesentlichen ist das, was die Add-In habe ich auf der Community dient zum Testen einfacher Steigungen in einem Einweg-Ancova-ähnlichen Modell. Die Tatsache, dass es Zufallseffekte im Modell gibt, ändert nichts an diesem Test, da JMP intelligent genug ist, um zu wissen, wie die Standardfehler für diese Koeffizienten in allen Fällen berechnet werden.
Ich hoffe das hilft!
@julianisch
