二項式資料的 JMP 模擬響應功能你好！
我想使用內建的 JMP 模擬響應功能來模擬響應。
我使用二項式分佈，為了簡單起見，我的模型可以說是
p = 0,05 + 0.04*X1 + 0,02*X2。
（實際上我想使用模擬進行部分因子設計。）
所以
| X1 | X2 | 是 |
| -1 | -1 | 0.05 |
| -1 | 1 | 0.02 |
| 1 | -1 | 0.04 |
| 1 | 1 | 0.06 |
為了模擬該模型，我需要在「模擬響應」對話方塊中輸入哪些值？ 我需要進入測試版嗎？ 但我如何從係數中得出它們呢？
我需要修改公式嗎？
Random Binomial(
100000,
1 / (1 + Exp(
-1 * (0.05 + Match( :X1, "-1", 0.04, "1", -0.04, . ) + Match( :X2, "-1", 0.02, "1", -0.02, . )
+Match( :X1, "-1", Match( :X2, "-1", 0.06, "1", -0.06, . ), "1", Match( :X2, "-1", -0.06, "1", 0.06, . ), . ))
))
)
回覆：二項式資料的 JMP 模擬回應功能雖然您可以設定隨機種子來產生設計，但這不適用於模擬回應。因此，您將在擬合模型中得到與模擬資料不同的結果。如果您查看參數估計值，它們應該非常粗略地對應您輸入到模擬中的係數。
回覆：二項式資料的 JMP 模擬回應功能你好@cwillden ,
非常感謝您的澄清！
但是如果我計算了b0，如何計算b1和b2呢？
我還嘗試從幫助網站重現此模擬：
https://www.jmp.com/support/help/14/conduct-prospective-power-analysis-for-a-nonline.shtml
但是，我無法在預測分析器中獲得這些數字：
因素 | X 處的通過百分比我= 1 | X 處的通過百分比我=-1 | 不同之處 |
X 1 | 73.11% | 26.89% | 46.2% |
X 2 | 71.09% | 28.91% | 42.2% |
X 3 | 69.00% | 31.00% | 38.0% |
X 4 | 66.82% | 33.18% | 33.6% |
X 5 | 64.56% | 35.43% | 29.1% |
X 6 | 62.25% | 37.75% | 24.5% |
在預測刻畫器中
-1 時的 X6 為 0.010891
+1 處的 X6 為 0.029
它與初始值如何對應？
回覆：二項式資料的 JMP 模擬回應功能你好@古斯塔夫榮,
JMP 參數化線性模型與大多數人習慣的略有不同。截距是所有因素的平均反應（即對數幾率），因此@菲爾_凱指出，實際上是當X1和X2的值為0時。
如果你想要 P( y = 1 | x1 = -1 & x2 = -1) = 0.05，那麼你基本上需要輸入 beta0、beta1 和 beta2 的任意組合，使得 beta0 + beta1*(-1) + β2* (-1) = -2.944。顯然，解決方案是無限的，因此只需在 2 個測試版中插入您想要的任何內容，然後解決最後一個測試版。
回覆：二項式資料的 JMP 模擬回應功能你好，
我認為問題可能是截距不是所有 X 都為 -1 的地方。 相反，我認為截距是所有 X 都為 0 的位置。
我還沒有檢查過這一點，但您可能想看一下，看看這是否有意義。
菲爾
回覆：二項式資料的 JMP 模擬回應功能非常感謝您的幫忙！
現在我明白 beta 的計算方式如下：
p = 0,05 + 0.04*X1 + 0,02*X2。
攔截（當所有等級為-1時成功率為5%）
是
ln(0,05/1-0,05) = -2,944
X1（-1 時從 0.05 變為 +1 時的 0.09），即提升 80%
這相當於說，與兩個因素水準的平均反應相比，它提高了 40%。
這意味著 p = 0.05-40% 與 p = 0.05+40%。
p = 0.03 與 0.07
這表示 X1 = ln( 0.07 / 1-0.07) = -2,587 的對數賠率
對於 X2（-1 時從 0.05 變為 +1 時的 0.07），提升 40%
p = (0.05-20%)=0.04 與 (0.05+20%)=0.06
這表示 X1 = ln( 0.07 / 1-0.07) = -2,752 的對數賠率
所以我將此值輸入到響應模擬器
當我分析廣義線性模型中的模擬資料時
我得到的預測反應與我的預期不同
你能指出我的錯誤嗎？
如果需要，我已附上專案文件。
回覆：二項式資料的 JMP 模擬回應功能你好@古斯塔夫榮,
需要明確的是，邏輯迴歸模型的線性部分並非直接輸出機率，而是輸出對數賠率。您需要套用 sigmoid（邏輯）函數 (1/(1+exp(-x))) 將對數賠率轉換為機率。這就是為什麼您發布的函數是 1/(1+e^(-(beta0 + beta1*x1 + beta2*x2 + beta3*x1*x2)))。
係數是貝塔值。您應該為 x1x2 輸入 0，因為您所需的模型沒有 x1x2 交互作用。
回覆：二項式資料的 JMP 模擬回應功能這次討論可能有幫助。
