Hola, estoy buscando un poco de fondo en el procedimiento de corte de prueba en JMP, y específicamente cómo se calculan los DF en este procedimiento. He utilizado el corte de prueba con frecuencia, pero recientemente noté una situación en la que no creo que el procedimiento se esté evaluando correctamente. No he podido encontrar ninguna información sobre los detalles reales del procedimiento de corte de prueba en línea o en la información de ayuda de JMP.
Estoy ejecutando un modelo de efectos mixtos con factores fijos A y B [A] (es decir, el factor B está anidado en el factor A) y tres efectos aleatorios. Hay ~ 8,000 observaciones, 6 niveles de A y entre 2 y 17 niveles de B en cada nivel de A. Al examinar los cortes de prueba para el factor A (para evaluar si el factor B difiere dentro de los niveles de A), dos de los los niveles tienen resultados altamente significativos en el análisis de prueba, pero esencialmente no hay diferencia en las medias LS reales de los niveles B. Estos dos niveles también tienen un DenDF mucho más grande que el que anticiparía para este contraste (~ 2,000), a pesar de tener solo ~ 500 observaciones en cada nivel A. No estoy seguro de si es una coincidencia, pero ambos niveles de A con resultados cuestionables solo tienen 2 niveles de B, mientras que todos los demás niveles A tienen más de 5 niveles de A. Si subordino los datos y pruebo la diferencia entre los niveles de B en cada nivel A por separado claramente no hay diferencias significativas entre los niveles B (p = 0.978 yp = 0.886, para los dos niveles A, respectivamente).
Así que mis preguntas son: 1) cómo se distribuyen los DF de corte de prueba en JMP y cómo puedo verificarlos de forma independiente; y 2) ¿qué tipos de problemas de datos / modelos podrían llevar a un cálculo incorrecto de las estadísticas de prueba, y 3) hay sugerencias para estrategias de análisis alternativas de especificación del modelo para probar este efecto anidado?
Gracias
La referencia en la Ayuda de JMP contiene la referencia bibliográfica al documento para estos ajustes. Honestamente, no puedo decir que esperaría que el ajuste fuera de una manera u otra.
Los ajustes son apropiados y sin ellos, los grados de libertad por cuadrados medios esperados no proporcionarán la distribución adecuada para la hipótesis nula, por lo que los valores de p para cualquier prueba no tendrán valor.
Consulte Ayuda> Libros> Ajuste de modelos lineales> Informe y opciones de mínimos cuadrados estándar (capítulo 3, página 210-211).
Los efectos aleatorios en el modelo mixto emplean el ajuste de Kenward-Roger a los grados de libertad para el denominador de las pruebas.
