Ri: equivalenza del modello con SASCiao @Woodstock
la mia ipotesi migliore è che il problema sia causato dal modo in cui jmp crea il contrasto tra le categorie di variabili indipendenti ordinali e nominali.
dai un'occhiata a questi due link:
https://www.jmp.com/support/help/14-2/coding-for-nominal-effects.shtml
https://www.jmp.com/support/help/14-2/models-with-nominal-and-ordinal-effects.shtml
per prima cosa confrontare i modelli con solo indipendenti continui. quindi, quando aggiungi gli indipendenti binari, definiscili come ordinali in JMP. questo dovrebbe produrre stime di parametri equivalenti a SAS (nel caso di 0 e 1).
se hai un effetto nominale con molte categorie, puoi produrre n-1 variabili fittizie in JMP (come si fa alla vecchia maniera in SAS) e definirle come ordinali.
poiché hai citato il fattore 2, è molto probabile che sia così.
puoi salvare la formula di previsione nella tabella o chiedere l'espressione di previsione. questo può aiutare a chiarire come JMP sta stimando l'equazione.
https://www.jmp.com/support/help/14-2/show-prediction-expression.shtml
dai un'occhiata anche qui:
https://community.jmp.com/t5/Discussions/Logit-why-aren-t-my-exponentiated-coefficients-equaling-my-odds/td-p/15661
nel complesso, la previsione e le conclusioni dovrebbero essere identiche tra SAS e JMP (o qualsiasi altro software per procedure standard).
Ri: equivalenza del modello con SASVedi Aiuto> Libri> Montaggio di modelli lineari> Dettagli statistici. Spiega le differenze tra il modo in cui JMP e SAS parametrizzano i modelli lineari. Non mi aspetto che le stime siano le stesse. Stimano parametri diversi.
equivalenza del modello con SASCiao,
Ho un modello di effetti misti che sto cercando di mostrare equivalenza con SAS per ... Speravo di capire meglio come farlo ...
JMP:
Fit Model(
Y( :log_val ),
Effects( :Group, :Analyst ),
Random Effects( :Sample[:Group] ),
Personality( "Standard Least Squares" ),
Emphasis( "Effect Leverage" ),
Method( "REML" ),
NoBounds( 0 )
)
SAS:
proc mixed data=WEBWORK.MYDATA method=reml plots=(residualPanel) alpha=0.05;
class Group Analyst Sample;
model log_val=Group Analyst / solution;
random Sample(Group) /;
run;
Le mie stime dei parametri per i parametri fissi sono disattivate di un fattore 2 in alcuni casi
Ri: equivalenza del modello con SASCiao Mark,
Grazie per la risposta. Aiutami a capire cosa intendi con " Non mi aspetto che le stime siano le stesse. Stimano parametri diversi ". Dato che devo mostrare l'equivalenza tra la stima dei parametri, quali sono le differenze e quanto sono importanti per le stime complessive e individuali?
Ho trovato questo: https://www.jmp.com/support/help/14-2/nominal-factors.shtml#65535 dai menu di aiuto suggerimento breadcrumb, ma non sono sicuro di come utilizzarlo per ottenere l'equivalenza tra le due piattaforme.
Grazie per il tuo tempo
Ri: equivalenza del modello con SASCiao @ron_horne ,
Grazie per la tua risposta. Mi chiedo cosa intendi con l'affermazione: " puoi produrre n-1 variabili fittizie in JMP (come si fa alla vecchia maniera in SAS) e definirle tutte come ordinali. "... in particolare, come posso fare?
Quando esporto le specifiche del modello direttamente da JMP come codice SAS, non ottengo gli stessi risultati. Vedi allegato
Ri: equivalenza del modello con SASCiao @Woodstock
per quanto riguarda la creazione di variabili fittizie da una colonna categoriale, provare quanto segue:
https://community.jmp.com/t5/JMP-Academic-Knowledge-Base/Make-Indicator-Dummy-Variables/ta-p/22636
rispetto all'output che hai inviato, forse qualcun altro risponderà.
ron
Ri: equivalenza del modello con SAS @ron_horne ... Avrei dovuto prima GTS invece di chiedere ... Ho trovato la stessa pagina nello stesso momento in cui hai risposto ... Mi dispiace per quello. Pratico piccolo componente aggiuntivo
Ri: equivalenza del modello con SASQuando si adatta il modello in JMP, andare al triangolo rosso e selezionare Stime> Stime di parametrizzazione dell'indicatore. Questo ti darà un rapporto che corrisponde a SAS.
Uscita JMP:
Uscita SAS:
Ri: equivalenza del modello con SASCiao @ron_horne , L'approccio fittizio mi ha procurato stime equivalenti rispetto a SAS a tutti i livelli e fattori. Apprezzo il tuo aiuto.
Una domanda: l'output indica che i risultati sono "distorti". Cosa significa "distorto" nel contesto dell'output JMP, rispetto all'approccio variabile fittizio (numerico, ordinale), rispetto al carattere, approccio nominale che ha dato la differenza tra JMP e SAS? (nota a margine: il codice SAS generato dalla finestra Specifica modello fornisce risultati diversi tra JMP e SAS)
È interessante notare che anche R mostra gli stessi risultati, fatta eccezione per l'intercettazione. (Il gruppo è un fattore) 
Ri: equivalenza del modello con SASprego @Woodstock ,
per quanto riguarda il problema del pregiudizio, suppongo che almeno una delle categorie abbia solo un'osservazione o che due categorie siano effettivamente le stesse osservazioni.
vedi se questa discussione aiuta:
https://community.jmp.com/t5/Discussions/I-am-receiving-Lost-DFs-Biased-and-Zeroed-parameter-estimate/td-p/13769
Ri: equivalenza del modello con SASI modelli sono equivalenti nelle loro previsioni. Dati gli stessi valori del predittore, entrambi i modelli prevedono la stessa risposta. I modelli sono diversi nella loro parametrizzazione. Non mi aspetto gli stessi valori dei parametri.
Se inserisco un semplice modello lineare con un termine per un predittore continuo, quindi centra e ridimensiona il predittore e rimetto il modello con il predittore trasformato, i parametri sono necessariamente diversi ma i due modelli prevedono la stessa risposta. I parametri sono diversi. L'interpretazione dei parametri è diversa.
Non mi piace il precedente riferimento ai parametri "vecchio stile" in SAS. Sono semplicemente diversi. Rappresentano una diversa interpretazione e prova degli effetti della modifica del livello dei fattori. Nessuna parametrizzazione è intrinsecamente superiore. La migliore parametrizzazione dipende dal modo in cui pensi agli effetti. La scelta è situazionale.
Questo problema è uguale a quello relativo ai diversi tipi di somma dei quadrati. Il più delle volte preferisco il Tipo III. Ciò non significa che il tipo I sia "vecchio stile", sbagliato o inutile. Ci sono momenti in cui forniscono esattamente le informazioni giuste, come il test per poolabilith di più lotti nel determinare la scadenza di un farmaco. Dipende solo.
Ri: equivalenza del modello con SASLa questione della parametrizzazione è trattata nella maggior parte dei libri di testo sui modelli di regressione. Coprono anche la soluzione dei minimi quadrati e l'aspetto di parametri distorti o azzerati. L'aiuto di JMP copre anche questa situazione. Dice, " Nota: Le stime vengono ottenute e testate, se possibile, anche quando vi sono dipendenze lineari tra i termini del modello. Tali stime sono etichettate distorte o azzerate. "
Definisce inoltre le condizioni che portano a tale risultato:
" quando X X è singolare, un inverso generalizzato viene utilizzato per ottenere stime. Questo approccio consente di stimare alcuni, ma non tutti, i parametri coinvolti in una dipendenza lineare. I parametri sono stimati in base all'ordine di immissione dei termini associati nel modello, in modo che gli ultimi termini immessi siano quelli i cui parametri non sono stimati. Le stime sono riportate nel rapporto Stime dei parametri e ai parametri che non possono essere stimati vengono fornite stime di 0.
Tuttavia, le stime dei parametri per i termini coinvolti nelle dipendenze lineari non sono uniche. Poiché i termini associati sono alias, ci sono infiniti vettori di stime che soddisfano il criterio dei minimi quadrati. In questi casi, nel report Stime dei parametri appare "Sbilanciato" a sinistra di queste stime. "Azzerato" appare a sinistra delle stime di 0 nel rapporto Stime parametri per i termini coinvolti in una dipendenza lineare i cui parametri non possono essere stimati. "
Quindi la tua scelta di parametrizzazione 'specifica eccessivamente' il modello dato i dati o, come Ron lo esprime, non hai livelli sufficienti per stimare tutti gli effetti.
