回复：与SAS等效的模型你好 @伍德斯托克
我最好的猜测是，您的问题是由jmp在顺序和名义自变量类别之间建立对比的方式引起的。
看一下这两个链接：
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
首先将模型与连续的独立变量进行比较。然后，当您添加二进制独立变量时，在JMP中将它们定义为顺序变量。这将产生与SAS等效的参数估计值（在0和1的情况下）。
如果您对许多类别具有名义上的影响，则可以在JMP中生成n-1个伪变量（就像SAS中的旧方法一样），并将每个变量定义为序数。
因为您提到2的因数，所以很可能是这种情况。
您可以将预测公式保存到表中或要求输入预测表达式。这可能有助于阐明JMP如何估算方程式。
https://www.jmp.com/support/help/14-2/show-prediction-expression.shtml
也可以在这里看看：
https://community.jmp.com/t5/Discussions/Logit-why-aren-t-my-exponentiated-coefficients-equaling-my-odds/td-p/15661
总体而言，SAS和JMP（或用于标准程序的任何其他软件）之间的预测和结论应该相同。
回复：与SAS等效的模型请参见帮助>书籍>拟合线性模型>统计详细信息。它解释了JMP和SAS参数化线性模型的方式之间的差异。我不希望估算值是相同的。他们估计不同的参数。
SAS的模型等效性嗨，您好，
我有一个混合效果模型，正试图与SAS等效…… 希望能更好地了解该如何做...
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;
在某些情况下，我对固定参数的参数估算值减少了2倍
回复：与SAS等效的模型嗨，马克，
谢谢回复。帮助我了解您的意思是“ 我不希望估算值是相同的。它们估计不同的参数。”，鉴于我需要证明参数估计之间的等效性，有什么区别，它们对整体和单个估计有多重要？
我找到了这个： https://www.jmp.com/support/help/14-2/nominal-factors.shtml#65535 您可以从“帮助”菜单中选择面包屑建议，但是我不确定如何使用它来获得两个平台之间的等效性。
谢谢你的时间
回复：与SAS等效的模型你好 @ron_horne ，
感谢您的回复。我想知道您所说的意思是：“ 您可以在JMP中生成n-1个伪变量（就像SAS中的旧方法一样），并将每个变量定义为序数。” ... 具体来说，我该怎么做？
当我直接从JMP导出模型规范作为SAS代码时，不会得到相同的结果。见附件
回复：与SAS等效的模型你好 @伍德斯托克
对于从类别列创建伪变量，请尝试以下操作：
https://community.jmp.com/t5/JMP-Academic-Knowledge-Base/Make-Indicator-Dummy-Variables/ta-p/22636
关于您发送的输出，也许其他人会回答。
罗恩
回复：与SAS等效的模型 @ron_horne ... 我应该先GTS，而不要问... 我在您回复的同一时间找到了同一页... 对于那个很抱歉。方便的小插件
回复：与SAS等效的模型在JMP中拟合模型时，请转到红色三角形，然后选择“估计”>“指标参数化估计”。这将为您提供与SAS相匹配的报告。
JMP输出：
SAS输出：
回复：与SAS等效的模型你好 @ron_horne 在各个级别和所有因素下，虚拟方法都使我获得了与SAS相当的估计。感谢您的帮助。
一个问题：输出表明结果是“有偏见的”。相对于虚拟变量方法（数字，序数），与JMP和SAS之间的区别的特征，名义方法相比，在JMP输出的上下文中“有偏”是什么意思？（旁注：从“模型规范”窗口中生成的SAS代码在JMP和SAS之间产生不同的结果）
有趣的是，除了截距以外，R还显示相同的结果。（组是一个因素） 
回复：与SAS等效的模型别客气 @伍德斯托克 ，
至于偏见问题，我会假设至少一个类别只有一个观察值，或者两个类别实际上是相同的观察值。
查看此讨论是否有帮助：
https://community.jmp.com/t5/Discussions/I-am-receiving-Lost-DFs-Biased-and-Zeroed-parameter-estimate/td-p/13769
回复：与SAS等效的模型这些模型的预测是等效的。给定相同的预测值，两个模型预测的响应相同。这些模型的参数设置不同。我不希望参数值相同。
如果我将一个简单的线性模型与一个连续预测变量的一个项拟合，然后对预测变量进行居中和缩放，然后将模型与转换后的预测变量重新拟合，则参数必然不同，但是两个模型预测的响应相同。参数是不同的。参数的解释是不同的。
我不喜欢SAS中以前对“老式”参数的引用。它们是完全不同的。它们代表改变因子水平的影响的不同解释和检验。没有参数化本质上是优越的。最佳的参数设置取决于您如何看待效果。选择是视情况而定。
此问题与有关不同平方和类型的问题相同。大多数时候，我更喜欢III型。这并不意味着I型是“过时的”或错误的或没有用的。有时它们会提供完全正确的信息，例如在确定药物有效期时对多批次的可比性进行测试。这只是取决于。
回复：与SAS等效的模型在大多数有关回归模型的教科书中都涉及到参数化问题。它们还涵盖了最小二乘解以及有偏或零参数的外观。JMP帮助也涵盖了这种情况。它说，” 注意： 即使在模型项之间存在线性相关性的情况下，也可能获得估计值并进行测试。此类估计被标记为“有偏差”或“归零”。 ”
它还定义了导致这种结果的条件：
” 什么时候 X X 如果是奇异的，则使用广义逆来获得估计。这种方法允许估计一部分但不是全部线性相关性参数。根据参数的相关项输入模型的顺序来估计参数，因此最后输入的项是未估计其参数的项。估计值在“参数估计值”报告中给出，而无法估计的参数的估计值为0。
但是，线性相关项中的参数的参数估计不是唯一的。因为关联的术语是别名的，所以存在满足最小二乘标准的无限多个估计向量。在这些情况下，“估计”报告中这些估计的左侧会出现“偏移”。对于无法估计参数的线性相关性所涉及的术语，“估计值”报告中估计值0的左侧显示“零”。 ”
因此，在给定数据的情况下，您对参数化的选择“过度指定”了模型，或者正如Ron所言，您没有足够的水平来估计所有影响。
