交互作用项的成对比较我想知道是否可能，以及当交互项位于类别和连续变量之间时如何对交互项进行成对比较。 在Jmp中我只发现了mai效应的多重比较。 谢谢。回复：交互项的成对比较@朱利安不客气，感谢您发布它！-- 我将其链接到此处是为了让访问此帖子的任何人都可以轻松查看： https://www.youtube.com/watch?v=k3zk45WrmUI
我很喜欢它们，如果能与您计划的博客配合使用，那就太好了——不时地制作更多这样的博客：我确信我不是社区中唯一一个从它们中受益匪浅的人。
您的回答是有道理的，因此感谢您的回答，我看到 LS 均值计算中产生的差异如何影响这两个分析之间产生的 F 比（以及随后的 p 值）。实际上，我从来没有想过，对比测试中的拟合模型平台正在计算 LS 均值，尽管我应该更清楚，因为我已经使用 LS 均值来解释 OLS 中各组之间的相对差异之前多次在Fit Model中进行回归模型。
但多年来我一直在努力对 LS 均值和常规均值之间的差异有足够的理解，因此我可以以一种可以向其他人解释的方式。这是我在互联网上可以找到的最好的参考资料。http://onbiostatistics.blogspot.com/2009/04/least-squares-means-marginal-means-vs.html
另外，LS 平均值是否比实际平均值更接近（假设数据结构不平衡），因此我们应该小心不要犯 II 类错误（当确实存在差异时未能检测到差异）在解释它们之间的差异时？我在 JMP 建议的示例数据上尝试了这一点（来自与“最小二乘均值”主题相关的统计索引“运行示例”的 Drug.jmp），并且我确实得到了 LS 均值情况下与 LS 均值情况下较小的差异. 在这种情况下，标准意味着组之间的样本量相等（请参阅 MS Excel 中相关分析输出和计算的附图）。
最后，您认为我们可以共同提出一个很好的原型示例（使用模拟数据或样本目录中已有的数据），清楚、实用地传达 LS 均值和常规均值之间的概念差异吗？
我对想法持开放态度！ （如果这更有意义，我很乐意在社区上发表单独的讨论）。
@帕特里克朱利亚诺
回复：交互项的成对比较你好@帕特里克朱利亚诺,
好问题！
平均差的估计：你是对的，平均差的估计有点不同，我在这里掩盖了复杂性。 当您没有相同大小的组时，就像这里的情况一样（每个区域中有不同数量的状态），方差分析模型中的最小二乘均值将不同于您通过汇总观察值来计算的均值并除以该组中的人数。 您可以在 JMP 文档或其他地方阅读有关 LSMeans 估计的信息，但最简单的是，它们是预测的总体边际，平衡总体中边际均值的估计。 所以，t这就是这种差异的根源 - 当我们重新编码组并根据这些 LSmean 计算差异时，这将不同于首先估计 LSmeans 然后对它们求平均值。 如果组的大小都相等，就不会有差异。
这是您在我选择不当的示例中注意到的令人遗憾的不一致:)尽管使用对比的示例中的 MSE 较小，但它应该基于我所说的（39.954 与 40.126，并且您可以在常规 ANOVA 表中找到此 MSE - 对比使用模型的 MSE），因为在我们重新编码的示例中，平均差异稍大（出于上述原因），因此该示例中的 F 比率最终会更大。 这不是最好的例子，我真的应该使用一个数据集，其中各组的大小相等，或者使用对比而不是重新编码所带来的好处更大（通常是这种情况）。我肯定会为即将发布的博客选择一个不同的示例。 感谢您如此仔细地观看此视频！
@朱利安
回复：交互项的成对比较你好@朱利安是的，这很好，谢谢，绝对是一个很好的开始，我期待这篇博客文章。 我希望您不介意我在学习和反思您在本视频中的评论时提出一些进一步的问题。 
对于初学者：我很好奇您在使用指定对比度比较 S 和 W 与 MW 和 NE 区域的背景下展示的美国人口统计示例，而不是通过将 S/W 和 M/NE 集中到简单地重新编码分别为组 1 和组 2，然后运行方差分析。我观察到的一些事情让我有点困惑：为什么对比面板中的均值差估计值为 7.2929，而方差分析中的平均值差值为 7.310？我知道差异非常非常小，但是这里计算的平均值是否略有不同？
我知道您提到平均值没有变化，而是计算方式不同的方差！就这一点而言，在本示例中，我们使用对 2 个组的重新编码（集总）n 进行方差分析，观察到“对比度”面板中的 F 比率为 16.5530，而 F 比率为 16.6194。我在方差分析输出中看到 MSE，它是 40.126。我在 Fit-Model 中没有看到对比测试的 MSE，但无论如何我的问题是：对比测试的 F 比率不应该是更大比方差分析更精确，因为分母中 MSE 的估计更精确（因此较小MSE）？ 在这种情况下，它与我的想法总是相反：与方差分析相比，对比测试较小（我知道数字上的差异实际上可以忽略不计，但这仍然让我质疑我对你从根本上断言的内容的理解）。谢谢！
回复：交互项的成对比较你好@帕特里克朱利亚诺,
绝对地！ 我一直打算写一篇关于此的博客，所以我所做的是记录一个快速教程，介绍我使用对比的一些方法（我可以做得更快），并且我会抽出一些时间开始写博客更详细地涵盖了这些主题。 希望这是一个有帮助的开始！
@朱利安
https://youtu.be/k3zk45WrmUI
回复：交互项的成对比较你好@朱利安,
这是非常有启发性的，感谢您提供此内容并进行解释！我不明白如何以这种方式使用指定的对比 - 也就是说，特别是在一个连续和一个分类预测变量与连续响应的背景下。
我看过你之前的一些在线内容（ https://youtu.be/3skUZZF-CuE ）其中您讨论了运行指定对比的一般实用程序。您能否尝试总结一下本论坛的实际优点（和缺点）？
我有兴趣更好地理解如何在我的 LS 回归模型（在拟合模型中运行）中使用对比来测试特定比较，以及为什么（如果有的话）进行这些比较会给我带来任何不同或更有价值的东西，而不是简单地解释我的标准多重比较输出的结果？ （Tukey HSD 详细的成对比较和/或连接字母报告）在拟合模型中？
谢谢， @帕特里克朱利亚诺
回复：交互项的成对比较你好@Sarettathepooh ,
您能详细解释一下您有兴趣进行哪种比较吗？ 当您有一个连续因子和一个分类因子时，交互作用项是检验分类因子水平之间的差异在连续变量的不同水平上是否不同（或者，或者等效地，Y 和连续 X 之间的斜率是否不同）变量在分类因素的不同级别上有所不同）。 例如，在根据年龄、身高和年龄*身高（来自 Big Class.jmp）预测体重的模型中，我们可以看到与预测刻画器的双向交互。
现在，就您关于成对比较的观点而言，如果您希望比较分类因素的水平，您可以在主效应红色三角形下进行操作。 这些测试将是连续变量平均水平上分类变量每个水平的平均响应。 在具有交互作用的模型中，询问在连续变量的哪个级别进行这些比较变得很重要。 均值是典型的默认值（除非被告知执行其他操作，否则 JMP 将执行此操作）。 如果您要寻找的是在连续变量的平均水平以外的其他因素上比较不同因子水平的平均响应，那么您将无法在交互项下找到该检验；相反，您会发现在相同的主效应红色三角形下，但使用了 LSMeans Contrast 命令。在下面的 gif 中，您可以看到我比较了 12 岁和 13 岁的孩子，但身高为 70 英寸。
我希望这有帮助！
@朱利安
