回复：與SAS等效的模型你好 @伍德斯托克
我最好的猜測是，您的問題是由jmp在序數和名義上的獨立變量類別之間建立對比的方式引起的。
看一下這兩個鏈接：
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
首先將模型與連續的獨立變量進行比較。然後，當您添加二進制獨立變量時，在JMP中將它們定義為順序變量。這將產生與SAS等效的參數估計值（在0和1的情況下）。
如果您對許多類別具有名義上的影響，則可以在JMP中生成n-1個偽變量（就像SAS中的舊方法一樣），並將每個變量定義為序數。
因為您提到2的因數，所以很可能是這種情況。
您可以將預測公式保存到表中或要求輸入預測表達式。這可能有助於闡明JMP如何估算方程式。
https://www.jmp.com/support/help/14-2/show-prediction-expression.shtml
也可以在這裡看看：
https://community.jmp.com/t5/Discussions/Logit-why-aren-t-my-exponentiated-coefficients-equaling-my-odds/td-p/15661
總體而言，SAS和JMP（或用於標準程序的任何其他軟件）之間的預測和結論應該相同。
回复：與SAS等效的模型請參見幫助>書籍>擬合線性模型>統計詳細信息。它解釋了JMP和SAS參數化線性模型的方式之間的差異。我不希望估算值是相同的。他們估計不同的參數。
SAS的模型等效性嗨，您好，
我有一個混合效果模型，正試圖與SAS等效…… 希望能更好地了解該如何做...
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;
在某些情況下，我對固定參數的參數估算值減少了2倍
回复：與SAS等效的模型嗨，馬克，
謝謝回复。幫助我了解您的意思是“ 我不希望估算值是相同的。它們估計不同的參數。”，鑑於我需要證明參數估計之間的等效性，有什麼區別，它們對整體估計和單個估計有多重要？
我找到了這個： https://www.jmp.com/support/help/14-2/nominal-factors.shtml#65535 您可以從“幫助”菜單中選擇麵包屑建議，但是我不確定如何使用它來獲得兩個平台之間的等效性。
謝謝你的時間
回复：與SAS等效的模型你好 @ron_horne ，
感謝您的回复。我想知道您所說的意思是：“ 您可以在JMP中生成n-1個偽變量（就像SAS中的舊方法一樣），並將每個變量定義為序數。” ... 具體來說，我該怎麼做？
當我直接從JMP導出模型規範作為SAS代碼時，不會得到相同的結果。見附件
回复：與SAS等效的模型你好 @伍德斯托克
對於從類別列創建偽變量，請嘗試以下操作：
https://community.jmp.com/t5/JMP-Academic-Knowledge-Base/Make-Indicator-Dummy-Variables/ta-p/22636
關於您發送的輸出，也許其他人會回答。
羅恩
回复：與SAS等效的模型 @ron_horne ... 我應該先GTS，而不要問... 我在您回复的同一時間找到了同一頁... 對於那個很抱歉。方便的小插件
回复：與SAS等效的模型在JMP中擬合模型時，請轉到紅色三角形，然後選擇“估計”>“指標參數化估計”。這將為您提供與SAS相匹配的報告。
JMP輸出：
SAS輸出：
回复：與SAS等效的模型你好 @ron_horne 在各個級別和所有因素下，虛擬方法都使我獲得了與SAS相當的估計。感謝您的幫助。
一個問題：輸出表明結果是“有偏見的”。相對於虛擬變量方法（數字，序數），與JMP和SAS之間的區別的特徵，名義方法相比，在JMP輸出的上下文中“有偏”是什麼意思？（旁注：從“模型規範”窗口中生成的SAS代碼在JMP和SAS之間產生不同的結果）
有趣的是，除了截距以外，R還顯示相同的結果。（組是一個因素） 
回复：與SAS等效的模型別客氣 @伍德斯托克 ，
至於偏見問題，我會假設至少一個類別只有一個觀察值，或者兩個類別實際上是相同的觀察值。
查看此討論是否有幫助：
https://community.jmp.com/t5/Discussions/I-am-receiving-Lost-DFs-Biased-and-Zeroed-parameter-estimate/td-p/13769
回复：與SAS等效的模型這些模型的預測是等效的。給定相同的預測值，兩個模型預測的響應相同。這些模型的參數設置不同。我不希望參數值相同。
如果我將一個簡單的線性模型與一個連續預測變量的一個項擬合，然後對預測變量進行居中和縮放，然後將模型與轉換後的預測變量重新擬合，則參數必然不同，但是兩個模型預測的響應相同。參數是不同的。參數的解釋是不同的。
我不喜歡SAS中以前對“老式”參數的引用。它們是完全不同的。它們代表改變因子水平的影響的不同解釋和檢驗。沒有參數化本質上是優越的。最佳的參數設置取決於您如何看待效果。選擇是視情況而定。
此問題與有關不同平方和類型的問題相同。大多數時候，我更喜歡III型。這並不意味著I型是“過時的”，錯誤的或沒有用的。有時它們會提供完全正確的信息，例如在確定藥物有效期時對多批次的可比性進行測試。這只是取決於。
回复：與SAS等效的模型在大多數有關回歸模型的教科書中都涉及到參數化問題。它們還涵蓋了最小二乘解以及有偏或零參數的外觀。JMP幫助也涵蓋了這種情況。它說，” 注意： 即使在模型項之間存在線性相關性的情況下，也可能獲得估計值並進行測試。此類估計被標記為“有偏差”或“歸零”。 ”
它還定義了導致這種結果的條件：
” 什麼時候 X X 如果是奇異的，則使用廣義逆來獲得估計。這種方法允許估計一部分但不是全部線性相關性參數。根據參數的相關項輸入模型的順序來估計參數，因此最後輸入的項是未估計其參數的項。估計值在“參數估計值”報告中給出，而無法估計的參數的估計值為0。
但是，線性相關項中的參數的參數估計不是唯一的。因為關聯的術語是別名的，所以存在滿足最小二乘標準的無限多個估計向量。在這些情況下，“估計”報告中這些估計的左側會出現“偏移”。對於無法估計參數的線性相關性所涉及的術語，“估計值”報告中估計值0的左側顯示“零”。 ”
因此，在給定數據的情況下，您對參數化的選擇“過度指定”了模型，或者正如Ron所言，您沒有足夠的水平來估計所有影響。
