JMP 和 Excel 在虚拟变量回归输出中的差异大家好，
这里的新手问题：我正在使用 JMP 为学校项目进行虚拟变量回归。 当我交叉引用 Excel 的版本时，我意识到即使 t-stats 相同，系数也完全不同。
JMP：
这两张图片是 JMP 的，您可以看到，与 Excel 的版本相比，即使我使用相同的属性，这些数字也是不同的。
这不是因为交互效应，就像我对变量所做的那样，没有交互效应（例如 COO x 优惠券），结果仍然不同。
奇怪的是，Excel 的版本似乎比 JMP 的版本更正确，与我的次要研究和其他主要研究更接近。
有什么建议吗？
回复：JMP 和 Excel 在虚拟变量回归输出中的差异根据定义，标准误差为 1。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异嗨，马克，
在 JMP 中对拟合模型运行回归后，除了“如何找到每个自变量的 beta 系数的标准误差”之外，所有问题都得到了回答。
你能为我指出正确的方向吗？ 谢谢！
回复：JMP 和 Excel 在虚拟变量回归输出中的差异没有附加图像。
该链接将我带到一个显示“超时”的页面。
回答了哪个问题？ 答案是什么？ （谢谢！）
回复：JMP 和 Excel 在虚拟变量回归输出中的差异嗨，马克，
谢谢你这么快回来。
如果您参考附加的图像，那是运行回归后的分析输出。 所以我的问题是，有没有办法让我找到“估计的总标准误差”，如果有这样的事情，因为目前我能看到的关于标准误差的所有信息都是每个系数估计值。
谢谢。 我明白你来自哪里。
另一件事是，有没有办法找到拟合模型分析中每个自变量的 beta 系数的标准误差？ 我了解这是用于查找 beta 系数的方法： http://www.jmp.com/support/notes/36/009.html
问候，
弗雷德
[编辑，因为我找到了其中一个问题的答案]
回复：JMP 和 Excel 在虚拟变量回归输出中的差异我需要澄清一下。
- “对整体模型的估计”是什么意思？ 你估计参数。 你能告诉我一个可用的例子吗？ 那我可能会认出来。
- 我们通常不比较模型之间的参数估计。 我们改为使用型号选择标准（例如，调整后的 R 平方、AICc、BIC、Mallow's Cp）选择具有最小偏差和方差的模型，然后推断所选模型的参数估计。 我们不想将来自不同模型的两个估计与差异的假设检验进行比较。 估计值预计将取决于模型中的其他项，除了所有估计值都是正交（不相关）的罕见情况，因此不同的模型（即不同的项集）通常会对任何给定项产生不同的估计值。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异嗨，马克，
谢谢你的帮助！ 您在如何使用 JMP 方面帮助了我很多。
我在终点线，所以还有两个问题：
1）运行回归后，我似乎无法找到整体模型的估计标准误差（我只能找到每个自变量的标准误差）。 你能指出我正确的方向吗？
2）假设我有一个回归产生的系数估计值，以及另一个回归产生的系数估计值。 我可以对 JMP 中的系数估计值进行 t 检验吗？如果是这样，您对我该如何处理有什么建议吗？
非常感谢您对此的帮助！ 谢谢。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异首先，正如我之前所说，您不需要在 JMP 中创建虚拟变量。 它是一个统计分析和建模软件。
其次，按照我对因子的描述创建数据列（不是每个因子水平的单独虚拟变量列），以便每个因子使用一个数据列并直接为每一行输入值。
第三，创建一列（例如 Respondent），并用标识每一行的受访者的值填充它。
现在选择分析 > 拟合模型。 选择响应列并单击 Y。 选择因子列并单击添加或使用交叉或宏将交互效果添加到模型中。选择 Respondent 效应（不是数据列），单击 Attributes 旁边的红色小三角并选择 Random Effect。 这种改变就是你所要做的。 您只是将受访者（随机）的影响类型与其他因素（固定）的影响类型区分开来。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异嗨，马克，
感谢您的快速回复。 抱歉，我的解释不够具体。
你是对的。 一位受访者提供了不止一个观察结果，但分析将每个观察结果解释为独立的，并且当实际情况不正确时，将其解释为一个受访者。
我想要做的是在 JMP 的拟合模型中调整这种聚集相关性的标准误差。
我怎样才能从下面的控制台（如果它来自这里）？ （：
https://www.gsb.stanford.edu/faculty-research/working-papers/when-should-you-adjust-standard-errors-clustering
问候，
弗雷德
回复：JMP 和 Excel 在虚拟变量回归输出中的差异我无法很好地描绘您的研究及其数据，无法回答您最新的问题。 （注意：我没有说“最后一个”问题。）“聚类相关因素”是什么意思？ 我知道它与“虚拟变量都被视为独立条目”和“由同一受访者完成”有关。
JMP 数据表中的一行表示构成一个观测值的所有值。 也就是说，您知道完整记录的每个变量（独立变量和相关变量）的值。 你是说有另一个变量，受访者，它可以识别观察，受访者贡献了不止一个观察，并且你想解释受访者在响应中的可变性？ 如果是这样，请在您的数据表中输入此变量并将其作为项添加到拟合模型中。 一定要选择它，单击属性的红色三角形，然后选择随机效果。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异嗨，马克，
再次感谢您的帮助。 感谢您的及时回复，这确实帮助我更好地了解如何在我的工作中使用 JMP。
我确实有最后一个问题：我是否可以选择考虑聚类相关性。 问题是，当其中一些由同一受访者完成时，我的虚拟变量都被视为独立条目，这意味着我需要将其考虑在内。
我了解其他统计软件允许通过唯一变量实现这一点，但有没有办法使用 JMP 中的拟合模型来实现。
谢谢你的帮助。
问候，
弗雷德
回复：JMP 和 Excel 在虚拟变量回归输出中的差异正确，选择交互中涉及的因素的数据列，然后单击交叉。
请参阅宏按钮以获取许多方便的快捷方式，例如阶乘到度数。 度数设置为 2 时，它将使用选定的数据列添加所有可能的二因素。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异该参数被解释为响应与平均值的变化。 事实上，负值确实表示响应变量下降。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异除了新手问题（请原谅我），我还在研究不同变量与原产国之间的相互作用。
从软件的角度来看，这就是我们如何设置模型（使用“交叉”按钮）来研究 Updates 和 COO - USA 之间的交互效果吗？
在此先感谢，马克。
问候，
弗雷德
回复：JMP 和 Excel 在虚拟变量回归输出中的差异嗨，马克，
感谢您的快速回复。 我认为这非常有帮助。
也想借此机会问一下：相对于基线，负估计是否意味着这些变量的存在会降低偏好（假设偏好是 LHS 变量，并且它被编码为低 = 不偏好和高 = 偏好）？
与 Excel 相比，这将是一个奇怪的发现，因为预计这些变量会增加偏好。
回复：JMP 和 Excel 在虚拟变量回归输出中的差异Excel 不是更正确。 他们只是不同。 它与参数化的线性模型。 选择在数学上是任意的，但每种方式都有其优势。 JMP 使用效果参数化. 这种方式应该使参数估计更易于解释。 它们总和为零，因此截距是原点的平均响应。 给定水平的参数是截距的变化。 所以估计-0.55112为了首席运营官 - 美国 = 0表示该水平的平均值为 5.8482381 - 0.55112 = 5.2941181。 这些图旨在帮助解释所选模型。
由于您使用的是具有正确名义建模类型的数值，因此 JMP 可以正确估计这些分类预测变量的效果。 但是，数字代码可能会被 Excel 解释为连续变量，因为它没有像统计建模和测试基础的建模类型那样。 该模型可能导致非常不同的估计、测试和解释。
看帮助>图书>拟合线性模型>附录 A：统计细节>因子模型.
