JMP-ANOVA stimmt nicht mit Python-Ergebnissen übereinVerwenden von JMP Pro 15.0 auf einem Mac. Ich führte ein 2 ^ 4-Faktor-Experiment mit den folgenden Ergebnissen durch:
| Faktor1 | Faktor2 | Faktor3 | Faktor4 | Y. |
| P. | L. | U. | C. | 77.90909 |
| P. | U. | U. | C. | 60,63636 |
| EIN | U. | U. | C. | 103,5833 |
| P. | L. | L. | C. | 92.76923 |
| EIN | L. | L. | T. | 81.41667 |
| P. | L. | U. | T. | 80.92308 |
| P. | L. | L. | T. | 88,61538 |
| EIN | L. | L. | C. | 108 |
| EIN | U. | L. | C. | 116.3333 |
| EIN | L. | U. | T. | 77.41667 |
| EIN | L. | U. | C. | 88 |
| EIN | U. | L. | T. | 105,75 |
| EIN | U. | U. | T. | 105,75 |
| P. | U. | U. | T. | 120,3333 |
| P. | U. | L. | C. | 109.9231 |
| P. | U. | L. | T. | 99,69231 |
Ich passe ein Modell an und beschränke es auf Haupteffekte und wechselseitige Interaktionen. Ich habe nur einen signifikanten Effekt gefunden. Möchte jemand es am Ende versuchen? Mein Kollege erzielt in Python unterschiedliche Ergebnisse, selbst nachdem er sichergestellt hat, dass er eine Anova vom Typ III anstelle der Python-Standardeinstellung vom Typ II fordert. Seine Ergebnisse scheinen enger mit den sequentiellen Ergebnissen von JMP (dh Typ I) übereinzustimmen. Aber ich war ratlos, wie ich meine Ergebnisse auf seine konvergieren lassen konnte oder umgekehrt. Ich dachte, ich sollte zunächst überprüfen, ob ich das Modell korrekt in JMP implementiert habe.
Auch hier passe ich die Fakultät nur auf Grad 2 an.
Ist jemand mit JMP-Python-Inkonsistenzen vertraut? Und sind meine Ergebnisse für den Anfang in Ordnung?
Effekt-Tests
Quelle | Nparm | DF | Quadratsumme | F-Verhältnis | Prob> F. |
Faktor1 | 1 | 1 | 192.1560 | 1,3957 | 0,2906 |
Faktor2 | 1 | 1 | 1007,2948 | 7.3161 | 0,0425 * |
Faktor3 | 1 | 1 | 483.4297 | 3.5112 | 0,1198 |
Faktor4 | 1 | 1 | 0,4703 | 0,0034 | 0,9557 |
Faktor1 * Faktor2 | 1 | 1 | 42,9518 | 0,3120 | 0,6006 |
Faktor1 * Faktor3 | 1 | 1 | 13.0468 | 0,0948 | 0,7706 |
Faktor1 * Faktor4 | 1 | 1 | 551.1892 | 4.0034 | 0,1018 |
Faktor2 * Faktor3 | 1 | 1 | 1,6620 | 0,0121 | 0,9168 |
Faktor2 * Faktor4 | 1 | 1 | 393,5865 | 2,8587 | 0,1517 |
Faktor3 * Faktor4 | 1 | 1 | 700.2053 | 5.0857 | 0,0738 |
DatentabelleDAMHIRSCHKUHAndereBetreff: JMP ANOVA stimmt nicht mit Python-Ergebnissen übereinHallo @ Gchesterton ,
Inkonsistente Ergebnisse sind immer ein Ärger, und ich hasse ein Rätsel. Mit Ihren Daten finde ich die identischen Ergebnisse in JMP. Können Sie die Ergebnisse veröffentlichen, die Ihr Kollege mit Python findet? Der Python-Code, der zum Modell passt, wäre ebenfalls hilfreich.
Sie erwähnen, dass seine Ergebnisse mit den sequentiellen JMP-Tests übereinstimmen. Ich finde das verwirrend. Die Methode zum Finden von Quadratsummen würde bei dieser Art von entworfenem Experiment keinen Unterschied machen. Diese Faktoren sind orthogonal, sodass Typ I SS mit Typ III SS identisch ist. Unten sehen Sie die Ausgabe des Anpassungsmodells, wobei sowohl der Typ III als auch der Typ I SS dies bestätigen.
Was Ihre allgemeine Frage zu JMP-Python-Inkonsistenzen betrifft, sind mir keine bekannt. In fast allen Fällen hängen Inkonsistenzen davon ab, wie das Modell definiert ist, und es scheint mir, dass Sie es in JMP korrekt definiert haben. Dies lässt mich glauben, dass Ihr Kollege in Python etwas anderes macht.
Ich hoffe das hilft einigen -
@julianisch
Betreff: JMP ANOVA stimmt nicht mit Python-Ergebnissen übereinVielen Dank @julianisch . Ich genieße deine YouTube-Lektionen. Ich bin froh zu sehen, dass meine Ergebnisse nicht völlig falsch waren. Ich habe meinen Kollegen gebeten, seinen Code zu teilen.
In der Zwischenzeit ist mir noch unklar, wann ich erwarten soll, dass Anova vom Typ I und III gleich ist. Ist diese Orthogonalitätsbedingung immer dann erfüllt, wenn wir unabhängige Faktoren aus einem geplanten Experiment haben? Oder müssen die Faktoren keine Wechselwirkung aufweisen, damit dies zutrifft?Betreff: JMP ANOVA stimmt nicht mit Python-Ergebnissen übereinHallo @ Gchesterton ,
Ich bin so froh zu hören, dass Sie diese Videos nützlich fanden! Wenn das Design so ausgewogen ist, wie es bestimmte entworfene Experimente sicherstellen (ohne fehlende Daten), sind die Faktoren orthogonal und die Typen I, II und III liefern alle die gleichen Ergebnisse. Nicht alle Entwürfe weisen jedoch eine vollständige Orthogonalität auf, und in diesen Fällen gibt es Korrelationen zwischen den Faktorschätzungen, und die Schätzungen vom Typ I, II, II unterscheiden sich. Das Vorhandensein oder Fehlen einer Interaktion spielt keine Rolle. Ich mag Matt Coopers sehr Artikel über die Unterschiede zwischen Quadratsummen vom Typ I, II, III . Es ist etwas älter, aber keine übermäßig technische Lektüre und könnte helfen, einige der Unterschiede zu klären. Hoffentlich hilft das!
@julianisch
