参数估计和指示函数参数化之间的不同结果亲爱的，
我执行了一个由 9 个项（主效应和交互作用）组成的回归模型。此模型中使用的 4 个变量是分类变量，它们都具有 2 个级别。由于我是 SAS 用户，因此我更喜欢指标函数参数化而不是 JMP 的参数化。但是，我注意到参数估计表和指标函数参数化的 p 值之间存在一些差异。对于模型中的 1 个交互作用，参数估计表提供的 p 值为 0.0046，而指标函数参数化提供的 p 值为 0.5173。这是唯一一个在更改参数化时从显著变为不显著的项。不确定这是否有用，但参数估计表中的标准错误对于所有模型项都是相同的。有人可以解释一下这背后的原因吗？
提前致谢。
消费者和市场研究大规模定制回复：参数估计和指标函数参数化的结果不同该文档解释了每个参数化的编码和解释每个方案下的参数。 这些条款代表不同的效果在每个参数化下，当然，没有理由认为一个术语在两个参数化下都必须是重要的。
回复：参数估计和指标函数参数化的结果不同谢谢@Mark_Bailey为您的回应。
我知道使用不同的参数化最终会产生不同的 p 值。 但是，我没想到基于参数化，给定术语的 p 值会从显着变为不显着。 这是相当大的区别。 JMP 使用的参数化背后是否存在导致显着项而 GLM 参数化最终导致同一项的非显着值的东西？
回复：参数估计和指标函数参数化的结果不同参数估计值表包括参数等于零的原假设的 p 值。 这参数化确定分类预测变量的估计值和参数的含义。 它们不应该是相同的。
