Re: équivalence de modèle avec SASsalut @Woodstock
Ma meilleure hypothèse est que votre problème est dû à la manière dont jmp construit le contraste entre les catégories de variables indépendantes ordinales et nominales.
regardez ces deux liens:
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
Commencez par comparer les modèles avec uniquement des indépendants continus. ensuite, lorsque vous ajoutez des indépendants binaires, définissez-les comme des valeurs ordinales dans JMP. cela devrait produire des estimations de paramètres équivalentes à SAS (dans le cas de 0 et 1).
si vous avez un effet nominal avec de nombreuses catégories, vous pouvez générer n-1 variables nominales dans JMP (comme à l’ancienne dans SAS) et définir chacune d’elles en ordinal.
puisque vous avez mentionné le facteur 2, c'est très probablement le cas.
vous pouvez enregistrer la formule de prédiction dans la table ou demander l'expression de prédiction. Cela peut aider à clarifier comment JMP estime cette équation.
https://www.jmp.com/support/help/14-2/show-prediction-expression.shtml
regardez aussi ici:
https://community.jmp.com/t5/Discussions/Logit-why-aren-t-my-exponentiated-coefficients-equaling-my-odds/td-p/15661
dans l'ensemble, les prévisions et les conclusions doivent être identiques entre SAS et JMP (ou tout autre logiciel pour les procédures standard).
Re: équivalence de modèle avec SASVoir Aide> Livres> Ajustement de modèles linéaires> Détails statistiques. Il explique les différences entre la manière dont JMP et SAS paramétrent les modèles linéaires. Je ne m'attendrais pas à ce que les estimations soient les mêmes. Ils estiment différents paramètres.
équivalence de modèle avec SASSalut,
J'ai un modèle à effets mixtes pour lequel j'essaie de montrer l'équivalence avec SAS pour ... J'espérais mieux comprendre comment faire cela ...
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;
Mon estimation de paramètre pour les paramètres fixes est un facteur 2 dans certains cas
Re: équivalence de modèle avec SASSalut Mark,
Merci pour la réponse. Aidez-moi à comprendre ce que vous entendez par " Je ne m'attendrais pas à ce que les estimations soient les mêmes. Ils estiment différents paramètres. ", Etant donné que j’ai besoin de montrer une équivalence entre l’estimation des paramètres, quelles sont les différences et quelle est leur importance pour les estimations globales et individuelles?
J'ai trouvé ça: https://www.jmp.com/support/help/14-2/nominal-factors.shtml#65535 Suggestion de navigation dans les menus d'aide, mais je ne sais pas comment l'utiliser pour obtenir une équivalence entre les deux plates-formes.
Merci pour votre temps
Re: équivalence de modèle avec SASsalut @ron_horne ,
Merci pour votre réponse. Je me demande ce que vous entendez par déclaration: " vous pouvez générer n-1 variables nominales dans JMP (comme à l’ancienne dans SAS) et définir chacune d’elles comme ordinale. "... spécifiquement, comment puis-je faire cela?
Lorsque j'exporte la spécification du modèle directement à partir de JMP en tant que code SAS, je n'obtiens pas les mêmes résultats. Voir ci-joint
Re: équivalence de modèle avec SASsalut @Woodstock
en ce qui concerne la création de variables nominales à partir d'une colonne catégorique, essayez ce qui suit:
https://community.jmp.com/t5/JMP-Academic-Knowledge-Base/Make-Indicator-Dummy-Variables/ta-p/22636
en ce qui concerne le résultat que vous avez envoyé, peut-être que quelqu'un d'autre répondra.
Ron
Re: équivalence de modèle avec SAS @ron_horne ... Je devrais avoir GTS en premier au lieu de demander ... J'ai trouvé la même page à peu près au même moment où vous avez répondu ... Désolé pour ça. Petit complément pratique
Re: équivalence de modèle avec SASLorsque vous ajustez le modèle dans JMP, accédez au triangle rouge et choisissez Estimations> Estimations du paramétrage de l'indicateur. Cela vous donnera un rapport qui correspond à SAS.
Sortie JMP:
Sortie SAS:
Re: équivalence de modèle avec SASsalut @ron_horne L’approche factice m’a donné des estimations équivalentes à celles de SAS pour tous les niveaux et tous les facteurs. Apprécier ton aide.
Une question: le résultat indique que les résultats sont «biaisés». Que signifie "biaisé" dans le contexte de la sortie du JMP, par rapport à la méthode des variables nominales (numérique, ordinale), par rapport au caractère, à l'approche nominale qui a donné la différence entre JMP et SAS? (remarque: le code SAS généré à partir de la fenêtre Spécification de modèle donne des résultats différents entre JMP et SAS)
Fait intéressant, R montre également les mêmes résultats, à l'exception de l'interception. (Le groupe est un facteur) 
Re: équivalence de modèle avec SASvous êtes les bienvenus @Woodstock ,
en ce qui concerne la question des biais, je suppose que l’une au moins des catégories ne contient qu’une observation ou que deux catégories correspondent en fait aux mêmes observations.
voir si cette discussion aide:
https://community.jmp.com/t5/Discussions/I-am-receiving-Lost-DFs-Bosed-and-Zeroed-parameter-estimate/td-p/13769
Re: équivalence de modèle avec SASLes modèles sont équivalents dans leurs prédictions. Étant donné les mêmes valeurs de prédicteur, les deux modèles prédisent la même réponse. Les modèles sont différents dans leur paramétrage. Je ne m'attends pas aux mêmes valeurs de paramètre.
Si j'adapte un modèle linéaire simple avec un terme pour un prédicteur continu, puis centrer et redimensionner le prédicteur et réajuster le modèle avec le prédicteur transformé, les paramètres sont nécessairement différents, mais les deux modèles prédisent la même réponse. Les paramètres sont différents. L'interprétation des paramètres est différente.
Je n'aime pas la référence précédente aux paramètres "à l'ancienne" dans SAS. Ils sont simplement différents. Ils représentent une interprétation et un test différents des effets de la modification du niveau de facteur. Aucun paramétrage n'est intrinsèquement supérieur. Le meilleur paramétrage dépend de votre façon de penser aux effets. Le choix est situationnel.
Ce problème est le même que celui concernant différents types de somme de carrés. La plupart du temps, je préfère le type III. Cela ne signifie pas que le type I est "à l'ancienne" ou faux ou inutile. Parfois, ils fournissent les informations exactes, comme le test de poolabilith de plusieurs lots pour déterminer l’expiration d’un médicament. Cela dépend.
Re: équivalence de modèle avec SASLa question du paramétrage est abordée dans la plupart des manuels sur les modèles de régression. Ils couvrent également la solution des moindres carrés et l'apparition de paramètres biaisés ou mis à zéro. L'aide JMP couvre également cette situation. Ça dit, " Remarque: Les estimations sont obtenues et testées, si possible, même lorsqu'il existe des dépendances linéaires entre les termes du modèle. Ces estimations sont appelées biaisées ou mises à zéro. "
Il définit également les conditions qui conduisent à un tel résultat:
" Quand X X est singulier, un inverse généralisé est utilisé pour obtenir des estimations. Cette approche permet d'estimer certains des paramètres impliqués dans une dépendance linéaire, mais pas tous. Les paramètres sont estimés en fonction de l'ordre de saisie des termes associés dans le modèle, de sorte que les derniers termes entrés sont ceux dont les paramètres ne sont pas estimés. Les estimations sont données dans le rapport Parameter Estimates, et les paramètres impossibles à estimer reçoivent une estimation de 0.
Cependant, les estimations de paramètres pour les termes impliqués dans les dépendances linéaires ne sont pas uniques. Comme les termes associés ont un alias, il existe une infinité de vecteurs d’estimations satisfaisant le critère des moindres carrés. Dans ces cas, le mot «biaisé» apparaît à gauche de ces estimations dans le rapport Parameter Estimates. «Zéro» apparaît à gauche des estimations de 0 dans le rapport Estimations de paramètres pour les termes impliqués dans une dépendance linéaire dont les paramètres ne peuvent pas être estimés. "
Donc, votre choix de paramétrage "sur-spécifie" le modèle en fonction des données ou, comme le dit Ron, vous ne disposez pas de niveaux suffisants pour estimer tous les effets.
