JMP ANOVA ne correspond pas aux résultats PythonUtilisation de JMP Pro 15.0 sur un Mac. J'ai mené une expérience factorielle 2^4 avec les résultats suivants :
| Facteur1 | Facteur2 | Facteur3 | Facteur4 | Oui |
| P | L | tu | C | 77.90909 |
| P | tu | tu | C | 60.63636 |
| UN | tu | tu | C | 103.5833 |
| P | L | L | C | 92.76923 |
| UN | L | L | J | 81.41667 |
| P | L | tu | J | 80.92308 |
| P | L | L | J | 88.61538 |
| UN | L | L | C | 108 |
| UN | tu | L | C | 116.3333 |
| UN | L | tu | J | 77.41667 |
| UN | L | tu | C | 88 |
| UN | tu | L | J | 105,75 |
| UN | tu | tu | J | 105,75 |
| P | tu | tu | J | 120.3333 |
| P | tu | L | C | 109.9231 |
| P | tu | L | J | 99.69231 |
J'ajuste un modèle, en le limitant aux effets principaux et aux interactions bidirectionnelles. Je n'ai trouvé qu'un seul effet significatif. Quelqu'un veut-il l'essayer de son côté ? Mon collègue obtient des résultats différents en Python, même après s'être assuré qu'il appelle une anova de type III plutôt que la valeur par défaut Python de type II.Ses résultats semblent être plus étroitement alignés sur les résultats séquentiels (c'est-à-dire de type I) du JMP. Mais je ne savais pas comment faire converger mes résultats vers les siens ou vice versa. J'ai pensé que je ferais mieux de commencer par vérifier que j'ai correctement implémenté le modèle dans JMP.
Encore une fois, j'ajuste le factoriel au degré 2 seulement.
Quelqu'un connaît-il les incohérences JMP-Python ? Et mes résultats sont-ils bons pour commencer ?
Essais d'effet
La source | NparmName | DF | Somme des carrés | Rapport F | Prob > F |
Facteur1 | 1 | 1 | 192.1560 | 1,3957 | 0,2906 |
Facteur2 | 1 | 1 | 1007.2948 | 7.3161 | 0,0425* |
Facteur3 | 1 | 1 | 483.4297 | 3.5112 | 0,1198 |
Facteur4 | 1 | 1 | 0,4703 | 0,0034 | 0,9557 |
Facteur1*Facteur2 | 1 | 1 | 42.9518 | 0,3120 | 0,6006 |
Facteur1*Facteur3 | 1 | 1 | 13.0468 | 0,0948 | 0,7706 |
Facteur1*Facteur4 | 1 | 1 | 551.1892 | 4.0034 | 0,1018 |
Facteur2*Facteur3 | 1 | 1 | 1,6620 | 0,0121 | 0,9168 |
Facteur2*Facteur4 | 1 | 1 | 393.5865 | 2.8587 | 0,1517 |
Facteur3*Facteur4 | 1 | 1 | 700.2053 | 5,0857 | 0,0738 |
Tableau de donnéesBICHEAutreRe : JMP ANOVA ne correspond pas aux résultats PythonSalut @gchesterton ,
Je suis si heureux d'apprendre que vous avez trouvé ces vidéos utiles ! Lorsque le plan est équilibré comme le garantissent certaines expériences conçues (sans données manquantes), les facteurs sont orthogonaux et les types I, II et III donnent tous les mêmes résultats. Cependant, tous les plans ne présentent pas une orthogonalité complète et, dans ces cas, il existe des corrélations entre les estimations des facteurs, et les estimations de type I, II, II seront différentes. La présence ou l'absence d'une interaction n'est pas une considération.J'aime bien celui de Matt Cooper article sur les différences entre les sommes des carrés de type I, II, III . C'est un peu plus ancien, mais pas une lecture trop technique et cela pourrait aider à clarifier certaines des différences. J'espère que cela pourra aider!
@julien
Re : JMP ANOVA ne correspond pas aux résultats PythonMerci @julien . J'apprécie vos cours sur YouTube. Heureux de voir que mes résultats n'étaient pas complètement erronés. J'ai demandé à mon collègue de partager son code.
En attendant, je ne sais toujours pas quand je devrais m'attendre à ce que l'anova de type I et III soit la même. Cette condition d'orthogonalité est-elle satisfaite chaque fois que nous avons des facteurs indépendants d'une expérience conçue ? Ou faut-il que les facteurs ne présentent aucune interaction pour que cela se produise ?Re : JMP ANOVA ne correspond pas aux résultats PythonSalut @gchesterton ,
Les résultats incohérents sont toujours un problème, et je déteste un mystère. En utilisant vos données, je trouve les résultats identiques dans JMP. Pouvez-vous publier les résultats que votre collègue trouve avec Python ? Le code python pour s'adapter au modèle serait également utile.
Vous mentionnez que ses résultats semblent correspondre aux tests séquentiels jmp. Je trouve cela déroutant. La méthode pour trouver des sommes de carrés ne ferait aucune différence dans ce type d'expérience conçue. Ces facteurs sont orthogonaux, donc les SS de type I sont identiques aux SS de type III. Vous trouverez ci-dessous la sortie du modèle Fit avec les SS de type III et de type I le confirmant.
En ce qui concerne votre question générale sur les incohérences JMP-Python, je n'en connais aucune. Les incohérences dans presque tous les cas se résument à la façon dont le modèle est défini, et il me semble que vous l'avez défini correctement dans JMP. Cela me porte à croire que votre collègue fait quelque chose de différent de cela en Python.
J'espère que ça a aidé -
@julien
