Salut, bien que le post ait 5 ans, ce sujet m'intéresse. Avez-vous pu obtenir une résolution sur les écarts entre JMP et remlscore? De plus, JMP donne des intervalles de prédiction / confiance alors que remlscore ne le fait pas. Les informations techniques fournies par JMP sont très rares, donc toute idée serait grandement appréciée.
Voici quelques références utiles:
Smyth, GK (2002). «Un algorithme efficace pour REML dans la régression hétéroscédastique», Journal of Computational and Graphical Statistics, 11, pp. 1-12.
Verbyla, AP (1993). «Modélisation de l'hétérogénéité de la variance: probabilité maximale résiduelle et diagnostics», Journal de la Royal Statistical Society, série B (méthodologique) 55 (2), pp. 493-508.
Salut les JMPers!
J'essaie de mieux comprendre les modèles de variance log-linéaire. Par conséquent, j'ai utilisé l'exemple InjectionMolding de la documentation JMP. En travaillant avec JMP, je suis bien sûr en mesure de reproduire les résultats du site Web.
De plus, j'ai implémenté un estimateur ML (basé sur le papier Harvey) dans R. De plus, j'ai essayé la fonction remlscore du package statmod dans R (l'estimation REML comme Smyth 2002 la décrit). Le résultat amusant est que j'obtiens des résultats assez similaires avec les deux fonctions de R pour la variance résiduelle estimée (~ 1,88, ~ 1,9) mais ce nombre est assez différent dans JMP: ~ 6,69.
Maintenant, j'étais curieux de savoir si ce n'est qu'une différence dans le paramétrage? Tous les autres nombres correspondent assez bien.
Voici le code R, si cela vous aide:
library(statmod)
# Sample Data
d = read.csv("Desktop/InjectionMolding.csv")
x = cbind(rep(1, nrow(d)), d[,c(2, 3)], d[,2]*d[,3]) # MoldTemp, Screw.Speed, 2FI
x = apply(x, 2, as.numeric)
z = d[,4] # Hold.Time
z = cbind(rep(1, length(z)), z)
y = d[,9] # Shrinkage
y = as.matrix(y)
colnames(x) = c("Const", "MoldTemp", "ScrewSpeed", "MoldXScrew")
colnames(z) = c("Const", "HoldTime")
colnames(y) = c("Strength")
reml_est = remlscore(y=y,X=x,Z=z)
reml_est
