二项式数据的 JMP 模拟响应功能你好！
我想使用内置的 JMP 模拟响应功能来模拟响应。
我使用二项式分布，为了简单起见，我的模型可以说是
p = 0,05 + 0.04*X1 + 0,02*X2。
（实际上我想使用模拟进行部分因子设计。）
所以
| X1 | X2 | 是 |
| -1 | -1 | 0.05 |
| -1 | 1 | 0.02 |
| 1 | -1 | 0.04 |
| 1 | 1 | 0.06 |
为了模拟该模型，我需要在“模拟响应”对话框中输入哪些值？ 我需要进入测试版吗？ 但我如何从系数中得出它们呢？
我需要修改公式吗？
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, . ), . ))
))
)
回复：二项式数据的 JMP 模拟响应功能虽然您可以设置随机种子来生成设计，但这不适用于模拟响应。因此，您将在拟合模型中得到与模拟数据不同的结果。如果您查看参数估计值，它们应该非常粗略地对应于您输入到模拟中的系数。
回复：二项式数据的 JMP 模拟响应功能你好@cwillden ,
非常感谢您的澄清！
但是如果我计算了b0，如何计算b1和b2呢？
我还尝试从帮助站点重现此模拟：
https://www.jmp.com/support/help/14/conduct-prospective-power-analysis-for-a-nonline.shtml
但是，我无法在预测分析器中获得这些数字：
因素 | X 处的通过百分比我= 1 | X 处的通过百分比我=-1 | 不同之处 |
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% |
在预测刻画器中
-1 时的 X6 为 0.010891
+1 处的 X6 为 0.029
它与初始值如何对应？
回复：二项式数据的 JMP 模拟响应功能你好@古斯塔夫荣,
JMP 参数化线性模型与大多数人习惯的略有不同。截距是所有因素的平均响应（即对数几率），因此@菲尔_凯指出，实际上是当X1和X2的值为0时。
如果你想要 P( y = 1 | x1 = -1 & x2 = -1) = 0.05，那么你基本上需要输入 beta0、beta1 和 beta2 的任意组合，使得 beta0 + beta1*(-1) + β2*(-1) = -2.944。显然，解决方案是无限的，因此只需在 2 个测试版中插入您想要的任何内容，然后解决最后一个测试版即可。
回复：二项式数据的 JMP 模拟响应功能你好，
我认为问题可能是截距不是所有 X 都为 -1 的地方。 相反，我认为截距是所有 X 都为 0 的位置。
我还没有检查过这一点，但您可能想看一下，看看这是否有意义。
菲尔
回复：二项式数据的 JMP 模拟响应功能非常感谢您的帮助！
现在我明白 beta 的计算方式如下：
p = 0,05 + 0.04*X1 + 0,02*X2。
拦截（当所有级别为-1时成功率为5%）
是
ln(0,05/1-0,05) = -2,944
X1（-1 时从 0.05 变为 +1 时的 0.09），即提升 80%
这相当于说，与两个因素水平的平均响应相比，它提高了 40%。
这意味着 p = 0.05-40% 与 p = 0.05+40%。
p = 0.03 与 0.07
这意味着 X1 = ln( 0.07 / 1-0.07) = -2,587 的对数赔率
对于 X2（-1 时从 0.05 变为 +1 时的 0.07），提升 40%
p = (0.05-20%)=0.04 与 (0.05+20%)=0.06
这意味着 X1 = ln( 0.07 / 1-0.07) = -2,752 的对数赔率
所以我将此值输入到响应模拟器
当我分析广义线性模型中的模拟数据时
我得到的预测响应与我的预期不同
你能指出我的错误吗？
如果需要，我已附上项目文件。
回复：二项式数据的 JMP 模拟响应功能你好@古斯塔夫荣,
需要明确的是，逻辑回归模型的线性部分并不直接输出概率，而是输出对数赔率。您需要应用 sigmoid（逻辑）函数 (1/(1+exp(-x))) 将对数赔率转换为概率。这就是为什么您发布的函数是 1/(1+e^(-(beta0 + beta1*x1 + beta2*x2 + beta3*x1*x2)))。
系数是贝塔值。您应该为 x1x2 输入 0，因为您所需的模型没有 x1x2 交互作用。
回复：二项式数据的 JMP 模拟响应功能这次讨论可能有帮助。
