Betreff: Modelläquivalenz mit SASHallo @Holzlager
Ich vermute, dass Ihr Problem durch die Art und Weise verursacht wird, wie jmp den Kontrast zwischen ordinalen und nominalen unabhängigen Variablenkategorien aufbaut.
Schauen Sie sich diese beiden Links an:
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
Vergleichen Sie zuerst Modelle mit nur kontinuierlichen unabhängigen. Wenn Sie dann binäre Independents hinzufügen, definieren Sie sie in JMP als ordinal. Dies sollte Parameterschätzungen ergeben, die SAS entsprechen (im Fall von 0 und 1).
Wenn Sie einen nominalen Effekt mit vielen Kategorien haben, können Sie in JMP n-1 Dummy-Variablen erzeugen (wie in SAS auf die alte Art und Weise) und jede von ihnen als ordinal definieren.
da Sie den Faktor 2 erwähnt haben, ist dies höchstwahrscheinlich der Fall.
Sie können die Vorhersageformel in der Tabelle speichern oder nach dem Vorhersageausdruck fragen. Dies kann dazu beitragen, zu verdeutlichen, wie JMP die Gleichung schätzt.
https://www.jmp.com/support/help/14-2/show-prediction-expression.shtml
siehe auch hier:
https://community.jmp.com/t5/Discussions/Logit-why-aren-t-my-exponentiated-coefficients-equaling-my-odds/td-p/15661
Insgesamt sollten Vorhersage und Schlussfolgerungen zwischen SAS und JMP (oder jeder anderen Software für Standardverfahren) identisch sein.
Betreff: Modelläquivalenz mit SASSiehe Hilfe> Bücher> Lineare Modelle anpassen> Statistische Details. Hier werden die Unterschiede bei der Parametrisierung linearer Modelle durch JMP und SAS erläutert. Ich würde nicht erwarten, dass die Schätzungen gleich sind. Sie schätzen verschiedene Parameter.
Modelläquivalenz mit SASHallo,
Ich habe ein Mixed-Effects-Modell, für das ich die Gleichwertigkeit mit SAS nachweisen möchte ... Ich hatte gehofft, ein besseres Verständnis dafür zu bekommen, wie das geht ...
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;
Meine Parameterschätzungen für feste Parameter sind in einigen Fällen um den Faktor 2 versetzt
Betreff: Modelläquivalenz mit SASHallo Mark,
Danke für die Antwort. Hilf mir zu verstehen, was du meinst mit " Ich würde nicht erwarten, dass die Schätzungen gleich sind. Sie schätzen verschiedene Parameter. ", Da ich die Gleichwertigkeit zwischen der Parameterschätzung nachweisen muss, was sind die Unterschiede und wie wichtig sind sie für die Gesamt- und Einzelschätzung?
Ich habe das gefunden: https://www.jmp.com/support/help/14-2/nominal-factors.shtml#65535 In Ihrem Hilfemenü finden Sie einen Breadcrumb-Vorschlag. Ich bin mir jedoch nicht sicher, wie ich ihn verwenden soll, um eine Entsprechung zwischen den beiden Plattformen zu erzielen.
Vielen Dank für Ihre Zeit
Betreff: Modelläquivalenz mit SASHallo @ron_horne ,
Danke für deine Antwort. Ich frage mich, was du mit der Aussage meinst: " Sie können in JMP n-1 Dummy-Variablen erzeugen (wie es in SAS auf die alte Art und Weise geschieht) und jede von ihnen als Ordnungszahl definieren. "... Wie mache ich das konkret?
Wenn ich die Modellspezifikation direkt aus JMP als SAS-Code exportiere, erhalte ich nicht die gleichen Ergebnisse. Siehe Anhang
Betreff: Modelläquivalenz mit SASHallo @Holzlager
Versuchen Sie Folgendes, um Dummy-Variablen aus einer kategorialen Spalte zu erstellen:
https://community.jmp.com/t5/JMP-Academic-Knowledge-Base/Make-Indicator-Dummy-Variables/ta-p/22636
In Bezug auf die von Ihnen gesendete Ausgabe wird möglicherweise eine andere Person antworten.
Ron
Betreff: Modelläquivalenz mit SAS @ron_horne ... Ich hätte zuerst GTS haben sollen, anstatt zu fragen ... Ich habe dieselbe Seite ungefähr zur selben Zeit gefunden, als Sie geantwortet haben ... Das tut mir leid. Handliches kleines Add-In
Betreff: Modelläquivalenz mit SASWenn Sie das Modell in JMP einpassen, wechseln Sie zum roten Dreieck und wählen Sie "Schätzungen"> "Indikator-Parametrisierungsschätzungen". Dadurch erhalten Sie einen Bericht, der mit SAS übereinstimmt.
JMP-Ausgabe:
SAS-Ausgabe:
Betreff: Modelläquivalenz mit SASHallo @ron_horne Der Dummy-Ansatz brachte mir über alle Ebenen und Faktoren hinweg äquivalente Schätzungen im Vergleich zu SAS. Schätze deine Hilfe.
Eine Frage: Die Ausgabe zeigt an, dass die Ergebnisse "voreingenommen" sind. Was bedeutet "verzerrt" im Zusammenhang mit der JMP-Ausgabe im Verhältnis zum Dummy-Variablenansatz (numerisch, ordinal) im Vergleich zum charakteristischen nominalen Ansatz, der den Unterschied zwischen JMP und SAS ergab? (Randnotiz: Der im Fenster "Modellspezifikation" generierte SAS-Code führt zu unterschiedlichen Ergebnissen zwischen JMP und SAS.)
Interessanterweise zeigt R bis auf den Achsenabschnitt die gleichen Ergebnisse. (Gruppe ist ein Faktor) 
Betreff: Modelläquivalenz mit SASBitte schön @Holzlager ,
In Bezug auf das Bias-Thema würde ich davon ausgehen, dass mindestens eine der Kategorien nur eine Beobachtung enthält oder dass zwei Kategorien tatsächlich die gleichen Beobachtungen sind.
Sehen Sie, ob diese Diskussion hilft:
https://community.jmp.com/t5/Discussions/I-am-receiving-Lost-DFs-Bias-and-Zeroed-parameter-estimate/td-p/13769
Betreff: Modelläquivalenz mit SASDie Modelle sind in ihren Vorhersagen gleichwertig. Bei gleichen Prädiktorwerten prognostizieren beide Modelle die gleiche Reaktion. Die Modelle unterscheiden sich in ihrer Parametrisierung. Ich erwarte nicht die gleichen Parameterwerte.
Wenn ich ein einfaches lineares Modell mit einem Term für einen kontinuierlichen Prädiktor anpasse, dann den Prädiktor zentriere und skaliere und das Modell mit dem transformierten Prädiktor neu anpasse, sind die Parameter notwendigerweise unterschiedlich, aber die beiden Modelle sagen die gleiche Reaktion voraus. Die Parameter sind unterschiedlich. Die Interpretation der Parameter ist unterschiedlich.
Ich mag den vorherigen Verweis auf die "altmodischen" Parameter in SAS nicht. Sie sind einfach anders. Sie stellen eine andere Interpretation und einen anderen Test der Auswirkungen einer Änderung der Faktorstufe dar. Keine Parametrisierung ist von Natur aus überlegen. Die beste Parametrisierung hängt davon ab, wie Sie über die Auswirkungen denken. Die Wahl ist situativ.
Dieses Problem ist dasselbe wie das Problem mit verschiedenen Arten von Quadratsummen. Meistens bevorzuge ich Typ III. Das bedeutet nicht, dass Typ I "altmodisch" oder falsch oder nutzlos ist. Es gibt Zeiten, in denen sie genau die richtigen Informationen liefern, wie beispielsweise den Poolabilitäts-Test für mehrere Chargen bei der Bestimmung des Ablaufs eines Arzneimittels. Es kommt einfach darauf an.
Betreff: Modelläquivalenz mit SASDie Frage der Parametrisierung wird in den meisten Lehrbüchern über Regressionsmodelle behandelt. Sie decken auch die Lösung der kleinsten Quadrate und das Auftreten von verzerrten oder genullten Parametern ab. Die JMP-Hilfe deckt auch diese Situation ab. Es sagt, " Hinweis: Schätzungen werden, wenn möglich, auch bei linearen Abhängigkeiten zwischen den Modellbegriffen erhalten und getestet. Solche Schätzungen werden mit Bias oder Zeroed bezeichnet. "
Es definiert auch die Bedingungen, die zu einem solchen Ergebnis führen:
" Wann X X Singular ist, wird eine verallgemeinerte Inverse verwendet, um Schätzungen zu erhalten. Mit diesem Ansatz können einige, aber nicht alle Parameter einer linearen Abhängigkeit geschätzt werden. Parameter werden basierend auf der Reihenfolge der Eingabe der zugehörigen Begriffe in das Modell geschätzt, sodass die zuletzt eingegebenen Begriffe diejenigen sind, deren Parameter nicht geschätzt werden. Schätzungen werden im Bericht "Parameterschätzungen" angegeben, und für Parameter, die nicht geschätzt werden können, werden Schätzungen von 0 angegeben.
Schätzungen von Parametern für Terme, die an linearen Abhängigkeiten beteiligt sind, sind jedoch nicht eindeutig. Da die zugehörigen Terme verzerrt sind, gibt es unendlich viele Schätzvektoren, die das Kriterium der kleinsten Quadrate erfüllen. In diesen Fällen wird links von diesen Schätzungen im Bericht "Parameterschätzungen" "Verzerrt" angezeigt. Links neben den Schätzungen von 0 im Bericht "Parameterschätzungen" wird "Null" für Begriffe angezeigt, die an einer linearen Abhängigkeit beteiligt sind, deren Parameter nicht geschätzt werden können. "
Wenn Sie sich also für eine Parametrisierung entscheiden, wird das Modell in Anbetracht der Daten überbestimmt, oder, wie Ron es ausdrückt, Sie haben nicht genügend Ebenen, um alle Auswirkungen abzuschätzen.
