¿Cómo puedo probar no solo las diferencias entre pendientes, sino también que las pendientes son diferentes de cero (significativas) en un modelo de efectos mixtos lineales con 1 variables continuas y 1 categórica (2 niveles) y dos efectos aleatorios?
En la salida de las Estimaciones de Parámetros a continuación, veo que tengo una interacción significativa entre el tipo de tejido [MSC] y el lnSe. Lo que significa que la pendiente para MSC es diferente del valor de línea de base. PERO, ¿la pendiente real de MSC es diferente de cero? ¿Cómo puedo probar eso dentro del modelo mixto? Claramente puedo ejecutar una regresión simple, pero quiero controlar los efectos aleatorios en el modelo mixto.
Estoy usando JMP13, la plataforma del modelo Fit.
¡Gracias!
Estupendo. Esto es exactamente lo que estaba buscando.
Gracias @Julian !
Hola @arstewar ,
Hay algunas maneras de hacerlo, pero creo que la más directa será usar las pruebas de parámetros de variables de indicadores. Seleccione debajo del triángulo rojo> Estimaciones> Estimaciones de la parametrización del indicador para revelar esa tabla. El siguiente ejemplo utiliza Big Class con Sex, Height y Sex * Height como efectos de modelo, prediciendo el peso. No es un modelo de efectos aleatorios, pero se aplica la misma lógica y puede extenderse para esta prueba en particular.
La tabla de estimaciones de parámetros originales muestra los efectos de los parámetros y las pruebas con respecto a la gran media, que es la consecuencia de la "codificación de efecto" de nuestros términos nominales. Eso también significa, cuando está involucrado un regresor continuo, que la pendiente (de altura en este caso) es la pendiente promedio entre hombres y mujeres de peso en altura, y para encontrar la pendiente para hombres o mujeres, puede restar o sumar el coeficiente de interacción. Por ejemplo, para encontrar la pendiente para hombres usando la tabla de estimaciones de parámetros originales, tomamos la pendiente informada para la altura, luego restamos el coeficiente de interacción (que es el desplazamiento, o efecto, en la pendiente promedio para los machos): 4.0876 - 0.6869 = 3.4007.
Ahora veamos la tabla de la función del indicador. El coeficiente de altura informado aquí no será el promedio entre hombres y mujeres; más bien, será la pendiente para un solo nivel de su factor categórico. En este caso, serán los machos, ya que M es después de F y, a menos que configuremos el orden, el último nivel alfabéticamente se usa como "control". Por lo tanto, deberíamos esperar encontrar como el coeficiente de altura en la tabla de Parametrización de la función del indicador el mismo valor que acabamos de calcular, y de hecho, se informa 3.400653.
Ahora, a tu pregunta acerca de las pruebas. Los valores p reportados aquí están probando los coeficientes en cualquiera de las tablas contra un nulo de 0. Entonces, si estamos interesados en saber si la pendiente para los hombres es igual a 0, simplemente podemos mirar en la tabla de Parametrización de la función del indicador en la fila para la altura. En este caso, rechazamos el nulo, t = 4.22, p = 0.0002. Si estuviéramos interesados en probar la pendiente para las mujeres, tendríamos que cambiar el orden de valor de nuestra columna en Información de la columna y luego volver a ejecutar el análisis. En esencia, eso es lo que complemento que tengo en la comunidad Lo hace para probar pendientes simples en un modelo ancova unidireccional. El hecho de que haya efectos aleatorios en el modelo no cambia nada con respecto a esta prueba, ya que JMP es lo suficientemente inteligente como para saber cómo calcular los errores estándar para estos coeficientes en todos los casos.
¡Espero que esto ayude!
@Julian
