Re: equivalencia de modelo con SASHola @Woodstock
Mi mejor conjetura es que su problema es causado por la forma en que jmp crea el contraste entre las categorías de variables independientes ordinales y nominales.
Echa un vistazo a estos dos enlaces:
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
primero compare modelos con solo independientes continuos. luego, cuando agregue independientes binarios, defínalos como ordinales en JMP. Esto debería producir estimaciones de parámetros que sean equivalentes a SAS (en el caso de 0 y 1).
Si tiene un efecto nominal con muchas categorías, puede producir variables ficticias n-1 en JMP (como se hace a la antigua usanza en SAS) y definir cada una de ellas como ordinal.
Como mencionó el factor 2, este es probablemente el caso.
puede guardar la fórmula de predicción en la tabla o solicitar la expresión de predicción. Esto puede ayudar a aclarar cómo JMP está estimando la ecuación.
https://www.jmp.com/support/help/14-2/show-prediction-expression.shtml
También eche un vistazo aquí:
https://community.jmp.com/t5/Discussions/Logit-why-aren-t-my-exponentiated-coefficients-equaling-my-odds/td-p/15661
En general, la predicción y las conclusiones deben ser idénticas entre SAS y JMP (o cualquier otro software para procedimientos estándar).
Re: equivalencia de modelo con SASConsulte Ayuda> Libros> Ajustar modelos lineales> Detalles estadísticos. Explica las diferencias entre la forma en que JMP y SAS parametrizan modelos lineales. No esperaría que las estimaciones sean las mismas. Estiman diferentes parámetros.
modelo de equivalencia con SASHola,
Tengo un modelo de efectos mixtos que intento mostrar equivalencia con SAS para ... Esperaba tener una mejor comprensión de cómo hacer eso ...
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;
Mis estimaciones de parámetros para parámetros fijos están desactivadas por un factor de 2 en algunos casos
Re: equivalencia de modelo con SASHola, Mark,
Gracias por la respuesta. Ayúdame a entender a qué te refieres con " No esperaría que las estimaciones sean las mismas. Estiman diferentes parámetros ". Dado que necesito mostrar la equivalencia entre la estimación de parámetros, ¿cuáles son las diferencias y cuán importantes son para las estimaciones generales e individuales?
Encontré esto: https://www.jmp.com/support/help/14-2/nominal-factors.shtml#65535 de la sugerencia de migas de pan de los menús de ayuda, pero no estoy seguro de cómo usarla para obtener equivalencia entre las dos plataformas.
Gracias por tu tiempo
Re: equivalencia de modelo con SASHola @ron_horne ,
Gracias por su respuesta. Me pregunto qué quieres decir con la afirmación: " puede producir variables ficticias n-1 en JMP (como se hace a la antigua usanza en SAS) y definir cada una de ellas como ordinal. "... específicamente, ¿cómo hago esto?
Cuando exporto la especificación del modelo directamente desde JMP como código SAS, no obtengo los mismos resultados. Ver adjunto
Re: equivalencia de modelo con SASHola @Woodstock
En cuanto a la creación de variables ficticias a partir de una columna categórica, intente lo siguiente:
https://community.jmp.com/t5/JMP-Academic-Knowledge-Base/Make-Indicator-Dummy-Variables/ta-p/22636
con respecto a la salida que envió, quizás alguien más responda.
ron
Re: equivalencia de modelo con SAS @ron_horne ... Debería haber GTS'd primero en lugar de preguntar ... Encontré la misma página casi al mismo tiempo que respondiste ... Lo siento por eso. Práctico pequeño complemento
Re: equivalencia de modelo con SASCuando ajuste el modelo en JMP, vaya al triángulo rojo y elija Estimaciones> Estimaciones de parametrización de indicadores. Eso le dará un informe que coincida con SAS.
Salida JMP:
Salida SAS:
Re: equivalencia de modelo con SASHola @ron_horne , El enfoque ficticio me dio estimaciones equivalentes en comparación con SAS en todos los niveles y factores. Aprecio tu ayuda.
Una pregunta: el resultado indica que los resultados están 'sesgados'. ¿Qué significa "sesgado" en el contexto de la salida JMP, en relación con el enfoque de variable ficticia (numérico, ordinal), en comparación con el enfoque nominal de caracteres que dio la diferencia entre JMP y SAS? (nota al margen: el código SAS generado desde la ventana de Especificación del modelo proporciona resultados diferentes entre JMP y SAS)
Curiosamente, R también muestra los mismos resultados, excepto por la intercepción. (El grupo es un factor) 
Re: equivalencia de modelo con SASde nada @Woodstock ,
En cuanto a la cuestión del sesgo, supongo que al menos una de las categorías tiene solo una observación o que dos categorías son en realidad las mismas observaciones.
ver si esta discusión ayuda:
https://community.jmp.com/t5/Discussions/I-am-receiving-Lost-DFs-Biased-and-Zeroed-parameter-estimate/td-p/13769
Re: equivalencia de modelo con SASLos modelos son equivalentes en sus predicciones. Dados los mismos valores predictores, ambos modelos predicen la misma respuesta. Los modelos son diferentes en su parametrización. No espero los mismos valores de parámetros.
Si ajusto un modelo lineal simple con un término para un predictor continuo, luego centro y escalo el predictor, y vuelvo a ajustar el modelo con el predictor transformado, los parámetros son necesariamente diferentes pero los dos modelos predicen la misma respuesta. Los parámetros son diferentes. La interpretación de los parámetros es diferente.
No me gusta la referencia previa a los parámetros "anticuados" en SAS. Son simplemente diferentes. Representan una interpretación y prueba diferentes de los efectos de cambiar el nivel del factor. Ninguna parametrización es inherentemente superior. La mejor parametrización depende de cómo pienses en los efectos. La elección es situacional.
Este problema es el mismo que el de los diferentes tipos de suma de cuadrados. La mayoría de las veces prefiero el tipo III. Eso no significa que el Tipo I esté "pasado de moda" o sea incorrecto o inútil. Hay momentos en los que proporcionan exactamente la información correcta, como la prueba de poolabilith de múltiples lotes para determinar la caducidad de un medicamento. Solo depende
Re: equivalencia de modelo con SASEl tema de la parametrización está cubierto en la mayoría de los libros de texto sobre modelos de regresión. También cubren la solución de mínimos cuadrados y la aparición de parámetros sesgados o cero. La ayuda de JMP también cubre esta situación. Dice, " Nota: Las estimaciones se obtienen y prueban, si es posible, incluso cuando hay dependencias lineales entre los términos del modelo. Dichas estimaciones están etiquetadas como Sesgadas o Cero "
También define las condiciones que conducen a tal resultado:
" Cuando X X es singular, se usa un inverso generalizado para obtener estimaciones. Este enfoque permite estimar algunos, pero no todos, los parámetros involucrados en una dependencia lineal. Los parámetros se estiman en función del orden de entrada de sus términos asociados en el modelo, de modo que los últimos términos ingresados son aquellos cuyos parámetros no se estiman. Las estimaciones se dan en el informe Estimaciones de parámetros, y los parámetros que no se pueden estimar reciben estimaciones de 0.
Sin embargo, las estimaciones de parámetros para términos involucrados en dependencias lineales no son únicas. Debido a que los términos asociados tienen un alias, hay infinitos vectores de estimaciones que satisfacen el criterio de mínimos cuadrados. En estos casos, "Sesgado" aparece a la izquierda de estas estimaciones en el informe Estimaciones de parámetros. "Cero" aparece a la izquierda de las estimaciones de 0 en el informe Estimaciones de parámetros para los términos involucrados en una dependencia lineal cuyos parámetros no pueden estimarse. "
Por lo tanto, su elección de parametrización 'sobre-especifica' el modelo dado los datos o, como lo expresa Ron, no tiene niveles suficientes para estimar todos los efectos.
