Come faccio a testare non solo le differenze tra pendenze, ma anche che le pendenze sono diverse da zero (significativo) in un modello di effetti misti lineari con 1 variabile continua e 1 categoriale (2 livelli) e due effetti casuali.
Nell'output di Parameter Estimates di seguito vedo che ho un'interazione significativa tra il tipo di tessuto [MSC] e lnSe. Significa che la pendenza per MSC è diversa dal valore di base. MA, la pendenza effettiva di MSC è diversa da zero ?? Come posso testarlo all'interno del modello misto? Chiaramente posso eseguire una regressione semplice, ma voglio controllare gli effetti casuali nel modello misto.
Sto usando JMP13, piattaforma modello Fit.
Grazie!
Terrific. Questo e 'esattamente quello che stavo cercando.
Grazie @julian !
Ciao @arstewar ,
Ci sono alcuni modi per farlo, ma penso che il più diretto sarà usare i test dei parametri variabili dell'indicatore. Seleziona sotto il triangolo rosso> Stime> Stime di parametrizzazione dell'indicatore per rivelare quella tabella. L'esempio che segue usa Big Class con sesso, altezza e sesso * Altezza come effetti modello, prevedendo il peso. Non un modello a effetti casuali, ma la stessa logica si applica e può essere estesa per questo particolare test.
La tabella delle stime dei parametri originali mostra gli effetti dei parametri e i test rispetto alla media generale, che è la conseguenza della "codifica dell'effetto" dei nostri termini nominali. Ciò significa anche che quando è coinvolto un regressore continuo, che la pendenza (in questo caso l'altezza) è la pendenza media tra uomini e donne di peso in altezza, e per trovare la pendenza per maschi o femmine si dovrebbe sottrarre o aggiungi il coefficiente di interazione. Ad esempio, per trovare la pendenza per gli uomini utilizzando la tabella delle stime dei parametri originali, prendiamo la pendenza riportata per l'altezza, quindi sottrai il coefficiente di interazione (che è l'offset o l'effetto sulla pendenza media per i maschi): 4.0876 - 0.6869 = 3,4007.
Ora diamo un'occhiata alla tabella delle funzioni dell'indicatore. Il coefficiente di altezza riportato qui non sarà la media tra uomini e donne; piuttosto, sarà la pendenza per un solo livello del tuo fattore categoriale. In questo caso, saranno i maschi, poiché M è dopo F e, a meno che non imposti l'ordine dei valori, l'ultimo livello alfabeticamente viene utilizzato come "controllo". Quindi, dovremmo aspettarci di trovare come coefficiente di altezza nella tabella di parametrizzazione delle funzioni dell'indicatore lo stesso valore che abbiamo appena calcolato e, in effetti, viene riportato 3.400653.
Ora, alla tua domanda sui test. I valori p riportati riportano i coefficienti di test in entrambe le tabelle rispetto a un valore null di 0. Quindi, se ci interessa sapere se la pendenza per gli uomini è uguale a 0, possiamo semplicemente guardare nella tabella di parametrizzazione delle funzioni dell'indicatore sulla riga per l'altezza. In questo caso, rifiutiamo null, t = 4.22, p = 0.0002. Se invece fossimo interessati a testare la pendenza per le donne, dovremmo modificare l'ordine dei valori per la nostra colonna in Info colonna, quindi eseguire nuovamente l'analisi. In sostanza, questo è ciò che componente aggiuntivo presente nella comunità fa per testare pendenze semplici in un modello ancova-unidirezionale. Il fatto che nel modello ci siano effetti casuali non cambia nulla rispetto a questo test poiché JMP è abbastanza intelligente da sapere come calcolare gli errori standard per questi coefficienti in tutti i casi.
Spero che questo possa essere d'aiuto!
@julian
