你好@NeF
对于分类响应，我的同事@Mark_Bailey在这篇文章中很好地解决了这个问题： 如何确定 3+ 组每对分类数据之间的差异
对于连续响应，差异的差异（DID 或 DD）只是对两个分类变量（其中每个变量仅由两个级别组成）之间相互作用的测试。
为此，您将使用 JMP 中的“拟合模型”平台。考虑以下简单示例，查看 Y 上的年龄和条件之间的关系：
我有年龄 (中年 vs 年轻) 和年龄内的状况 (1 vs 2)。
假设我有兴趣测试条件 1 与条件 2 下的年龄 = 中间之间的差异是否与条件 1 与条件 2 下的年龄 = 较小之间的差异不同。换句话说，假设我想针对 Y 响应构建关于中间年龄（2 - 1）和较小年龄（2 - 1）之间差异的假设检验？
再次强调，这只是对 Y 上的年龄和条件之间相互作用的测试。在 JMP 中，这种相互作用通过表示为“年龄*条件”的术语来捕获。
为此，我将进入“拟合模型”并构建模型，添加年龄效应、条件效应和年龄与条件交互效应。如果您不熟悉，可以在此视频中了解如何执行此操作。
在这种情况下，我们的结果表明，DID 在 0.05 alpha 水平上具有统计学意义。实际上，条件（2 对 1）对年龄水平（年轻对中年）的依赖程度具有统计学意义。从图形上看，这可能更直观，可以在拟合模型输出（在效果杠杆报告中）中可视化：
如果我们以图表的形式表示年龄“消除”条件的平均效应，我们可以看到，如果我们近似这个效应的误差线（大致类似于在每个按年龄水平绘制的条件误差线），那么这个效应在统计上是显著的：
不重叠的置信区间为我们提供了对人群产生影响的证据，其方式与统计上显著的 p 值（即 p 值 < alpha 水平，通常为 0.05）为我们提供了此类证据的方式非常相似。这是 2 样本 t 检验的“置信区间版本”（请参阅 Bluman，《基础统计学》（第 7 版），2015 年）。
希望这有帮助！ @PatrickGiuliano
