JMP ANOVA no coincide con los resultados de PythonUsando JMP Pro 15.0 en una Mac. Realicé un experimento factorial 2 ^ 4 con los siguientes resultados:
| Factor1 | Factor2 | Factor3 | Factor4 | Y |
| PAGS | L | U | C | 77.90909 |
| PAGS | U | U | C | 60.63636 |
| UNA | U | U | C | 103.5833 |
| PAGS | L | L | C | 92.76923 |
| UNA | L | L | T | 81.41667 |
| PAGS | L | U | T | 80.92308 |
| PAGS | L | L | T | 88.61538 |
| UNA | L | L | C | 108 |
| UNA | U | L | C | 116.3333 |
| UNA | L | U | T | 77.41667 |
| UNA | L | U | C | 88 |
| UNA | U | L | T | 105,75 |
| UNA | U | U | T | 105,75 |
| PAGS | U | U | T | 120.3333 |
| PAGS | U | L | C | 109,9231 |
| PAGS | U | L | T | 99.69231 |
Encajo un modelo, limitándolo a efectos principales e interacciones bidireccionales. Encontré solo un efecto significativo. ¿Alguien quiere probarlo por su parte? Mi colega está obteniendo resultados diferentes en Python, incluso después de asegurarse de que solicita un anova de tipo III en lugar del valor predeterminado de Python del tipo II. Sus resultados parecen estar más estrechamente alineados con los resultados secuenciales (es decir, tipo I) de JMP. Pero no sabía cómo hacer que mis resultados convergieran con los suyos o viceversa. Pensé que sería mejor comenzar verificando que he implementado correctamente el modelo en JMP.
Nuevamente, ajusto el factorial solo al grado 2.
¿Alguien está familiarizado con las inconsistencias de JMP-Python? ¿Y mis resultados están bien para empezar?
Pruebas de efectos
Fuente | Nparm | DF | Suma de cuadrados | Relación F | Problema> F |
Factor1 | 1 | 1 | 192.1560 | 1.3957 | 0.2906 |
Factor2 | 1 | 1 | 1007.2948 | 7.3161 | 0.0425 * |
Factor3 | 1 | 1 | 483.4297 | 3.5112 | 0,1198 |
Factor4 | 1 | 1 | 0.4703 | 0,0034 | 0,9557 |
Factor1 * Factor2 | 1 | 1 | 42.9518 | 0.3120 | 0.6006 |
Factor1 * Factor3 | 1 | 1 | 13.0468 | 0.0948 | 0,7706 |
Factor1 * Factor4 | 1 | 1 | 551.1892 | 4.0034 | 0.1018 |
Factor2 * Factor3 | 1 | 1 | 1,6620 | 0.0121 | 0.9168 |
Factor2 * Factor4 | 1 | 1 | 393.5865 | 2.8587 | 0,1517 |
Factor3 * Factor4 | 1 | 1 | 700.2053 | 5.0857 | 0.0738 |
Tabla de datosGAMAOtroRe: JMP ANOVA no coincide con los resultados de PythonHola @gchesterton ,
Los resultados inconsistentes son siempre una molestia, y odio los misterios. Usando sus datos, encuentro resultados idénticos en JMP. ¿Puede publicar los resultados que su colega está encontrando con Python? El código de Python para adaptarse al modelo también sería útil.
Mencionas que sus resultados parecen coincidir con las pruebas secuenciales de jmp. Encuentro esto confuso. El método para encontrar sumas de cuadrados no haría una diferencia en este tipo de experimento diseñado. Estos factores son ortogonales, por lo que las SS de tipo I son idénticas a las de tipo III. A continuación se muestra la salida del modelo de ajuste con SS Tipo III y Tipo I confirmando esto.
En cuanto a su pregunta general sobre las inconsistencias de JMP-Python, no tengo conocimiento de ninguna. Las inconsistencias en casi todos los casos se reducen a cómo se define el modelo, y me parece que lo ha definido correctamente en JMP. Esto me lleva a creer que su colega está haciendo algo diferente a esto en Python.
Espero que esto ayude algo -
@Julian
Re: JMP ANOVA no coincide con los resultados de PythonGracias @Julian . Disfruto tus lecciones de YouTube. Me alegra ver que mis resultados no estaban completamente equivocados. Le pedí a mi colega que compartiera su código.
Mientras tanto, todavía no tengo claro cuándo debo esperar que los anova de tipo I y III sean iguales. ¿Se satisface esta condición de ortogonalidad cada vez que tenemos factores independientes de un experimento diseñado? ¿O es necesario que los factores no muestren interacción para que esto se mantenga?Re: JMP ANOVA no coincide con los resultados de PythonHola @gchesterton ,
¡Me alegra saber que estos videos te han resultado útiles! Cuando el diseño está equilibrado en la forma en que aseguran ciertos experimentos diseñados (sin perder datos), los factores son ortogonales y los tipos I, II y III dan todos los mismos resultados. Sin embargo, no todos los diseños exhiben una ortogonalidad completa y, en esos casos, existen correlaciones entre las estimaciones de los factores, y las estimaciones de Tipo I, II, II serán diferentes. La presencia o ausencia de una interacción no es una consideración. Me gusta bastante Matt Cooper artículo sobre las diferencias entre sumas de cuadrados Tipo I, II, III . Es un poco más antiguo, pero no es una lectura demasiado técnica y podría ayudar a aclarar algunas de las diferencias. ¡Espero que ayude!
@Julian
