如何解读JMP中随机效应模型的结果？我拟合了一个包含 2 个因素的随机效应模型（零件编号和操作员）通过选择“拟合模型”窗口上“属性”下的“随机效应”选项（与零件*操作员交互）。
我收到以下输出REML 方差分量估计桌子。
随机效应 | 波动率 | 无功分量 | 标准误差 | 降低 95% | 95% 上层 | Wald p 值 | 占总数的百分比 |
部分 | 1.1555556 | 1.7333333 | 0.8656795 | 0.0366326 | 3.430034 | 0.0453* | 53.608 |
操作员 | -0.004115 | -0.006173 | 0.0218 | -0.0489 | 0.0365544 | 0.7771 | 0.000 |
零件*操作员 | -0.199588 | -0.299383 | 0.1464372 | -0.586394 | -0.012371 | 0.0409* | 0.000 |
剩余的 | | 1.5 | 0.3354102 | 1.0110933 | 2.4556912 | | 46.392 |
全部的 | | 3.2333333 | 0.9283863 | 1.9759148 | 6.2317667 | | 100.000 |
-2 对数似然 = 203.88510393
如何解释这些结果？
回复：如何解释JMP中随机效应模型的结果？从技术上讲这不是一个容易的讨论，但实际上我有一些想法：
1. 我们实际上不太关心方差分量的实际值，而是与研究中其他分量相比的相对值。
2. 最令人感兴趣的是这些分量的大小（而不是符号）。 通常，当存在负 REML 分量时，JMP 会切换到贝叶斯估计。
3. 始终对 p 值保持谨慎。它们是收集的数据集中比较的函数。 它们是否与现实有任何联系（或有用）取决于数据的收集方式。
4. 此外，异常数据点会对方差分量估计和后续定量测试产生巨大影响。 始终绘制数据并评估数据中的异常或特殊原因数据点。
5. 绘制数据与您的预测进行比较……这有意义吗？ 你能解释一下你所看到的吗？ 不要关闭工程或科学。
回复：如何解释JMP中随机效应模型的结果？我偶然发现了这个讨论，因为我试图理解如何用低 Wald p 值解释负方差分量估计（尽管在我的例子中负方差分量是主要效应）。我只是假设只有当方差分量估计值为正时，才应将低 Wald p 值视为真正重要，如果估计值为负，则说它具有统计显着性是没有意义的。但你对互动的负面估计的评论让我感到困惑。我将交互方差分量解释为由于零件和操作员之间的交互而产生的变化，因此，如果估计值为负，我认为无论 Wald p 值如何，它都会被解释为不真正显着。谢谢。
回复：如何解释JMP中随机效应模型的结果？我会添加一点@马克贝利通过确保您还使用测量 R & R 和/或测量系统分析平台和子平台中可用的各种图形技术绘制数据来进行解释。 这些图表通常可以通过可视化测量系统中的特征/特性来提供非常丰富的信息，这些特征/特性比所呈现的静态表格结果更有趣且有价值。 以下是 MSA 平台在线文档的链接，是一个不错的起点：
https://www.jmp.com/support/help/14-2/measurement-systems-analysis.shtml#
这是我在 SAS 任职期间主持的 JMP On Demand 掌握 JMP 网络研讨会，您可能也会发现它很有价值：
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html
回复：如何解释JMP中随机效应模型的结果？REML 的主要结果是 Var Component 列。 模型中的各个组成部分相加得出总计。 下一个结果是 Wald 比率的置信区间或 p 值。 Part 和 Part*Operator 估计值似乎与零显着不同。 模型层次结构要求保留运算符项，即使它看起来与零没有什么不同。
交互作用分量的负估计是因为它实际上是协方差，可能是负的。 另一位社区成员可能对 MSA 案例的解释有更多见解。
零件方差约占总数的54%，残差（重复性）约占总数的46%，因此该测量系统不好。
您是否还使用变异图表平台分析了数据？
