Hola, aunque el post tiene 5 años, este tema me interesa. ¿Pudiste obtener una resolución sobre las discrepancias entre JMP y remlscore? Además, JMP proporciona intervalos de predicción / confianza, mientras que remlscore no. La información técnica proporcionada por JMP es muy escasa, por lo que cualquier información sería muy apreciada.
Aquí hay algunas referencias útiles:
Smyth, GK (2002). “Un algoritmo eficiente para REML en regresión heterocedástica”, Journal of Computational and Graphical Statistics, 11, pp. 1-12.
Verbyla, AP (1993). “Modelado de heterogeneidad de varianza: máxima probabilidad residual y diagnóstico”, Revista de la Royal Statistical Society, Serie B (Metodológica) 55 (2), págs. 493-508.
¡Hola, JMPers!
Estoy tratando de obtener una comprensión más profunda de los modelos de varianza loglineal. Por lo tanto, utilicé el ejemplo de InjectionMolding de la documentación de JMP. Trabajando con JMP puedo reproducir los resultados del sitio web, por supuesto.
Además, implementé un estimador ML (basado en el documento de Harvey) en R. Además, probé la función remlscore del paquete statmod en R (la estimación REML como la describe Smyth 2002). El resultado curioso es que obtengo resultados bastante similares con ambas funciones en R para la varianza residual estimada (~ 1.88, ~ 1.9) pero ese número es bastante diferente en JMP: ~ 6.69.
Ahora tenía curiosidad por saber si esto es solo una diferencia en la parametrización. Todos los demás números coinciden bastante bien.
Aquí está el código R, si ayuda:
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
