Hallo, ich bin auf der Suche nach einem kleinen Hintergrund in Bezug auf das Test-Slice-Verfahren in JMP und insbesondere darauf, wie die DFs in diesem Verfahren berechnet werden. Ich habe häufig Test-Slicing verwendet, habe aber kürzlich eine Bedeutung entdeckt, bei der ich nicht glaube, dass die Prozedur richtig bewertet wird. Ich konnte weder online noch in der JMP-Hilfe Informationen zu den tatsächlichen Details des Test-Slice-Verfahrens finden.
Ich verwende ein Mixed-Effects-Modell mit festen Faktoren A und B [A] (dh Faktor B ist in Faktor A verschachtelt) und drei zufälligen Effekten. Es gibt ~ 8.000 Beobachtungen, 6 Stufen von A und zwischen 2 und 17 Stufen von B in jeder Stufe von A. Bei der Untersuchung der Testscheiben auf Faktor A (um festzustellen, ob sich Faktor B innerhalb der Stufen von A unterscheidet), gibt es zwei der Levels haben hoch signifikante Test-Slice-Ergebnisse, aber im Wesentlichen keinen Unterschied in den tatsächlichen LS-Mitteln der B-Levels. Diese beiden Ebenen haben auch ein viel größeres DenDF, als ich für diesen Kontrast erwarten würde (~ 2.000), obwohl es in jedem A-Level nur ~ 500 Beobachtungen gab. Ich bin nicht sicher, ob es ein Zufall ist, aber beide A-Stufen mit fragwürdigen Ergebnissen haben nur 2 B-Stufen, während alle anderen A-Stufen 5+ A-Stufen haben. Wenn ich die Daten unterteilte und den Unterschied zwischen den B-Stufen teste Für jedes A-Niveau gibt es offensichtlich keine signifikanten Unterschiede zwischen den B-Werten (p = 0,978 und p = 0,886 für die beiden A-Ebenen).
Meine Fragen sind also: 1) Wie werden die Test-Slice-DFs in JMP berechnet und wie kann ich sie unabhängig überprüfen? und 2) Welche Arten von Daten / Modellproblemen könnten zu einer falschen Berechnung der Teststatistik führen, und 3) gibt es Vorschläge für alternative Analysestrategien der Modellspezifikation, um diesen verschachtelten Effekt zu testen?
Vielen Dank
Die Referenz in der JMP-Hilfe enthält die Literaturhinweise für diese Anpassungen. Ich kann ehrlich nicht sagen, dass ich davon ausgehen würde, dass die Anpassung in die eine oder andere Richtung geht.
Die Anpassungen sind angemessen und ohne sie liefern die Freiheitsgrade der erwarteten mittleren Quadrate nicht die richtige Verteilung für die Nullhypothese, sodass die p-Werte für alle Tests wertlos sind.
Weitere Informationen finden Sie unter Hilfe> Bücher> Anpassen von linearen Modellen> Standard-Bericht und Optionen für kleinste Quadrate (Kapitel 3, Seite 210-211).
Die zufälligen Effekte in dem gemischten Modell verwenden die Kenward-Roger-Anpassung der Freiheitsgrade für den Nenner der Tests.
