帮助解释参数估计，预测方程式和标准误差在“最小二乘法”分析中，我的模型具有一个类别变量“ Section”，具有三个值“ 1”，“ 2”和“ 3”，以及一个连续变量“ Cycles”。我有三个问题。
- 为什么“参数估算值”表不能代表模型？ 它没有提供有关“ 3”部分的信息。
- 我是否可以更改JMP中的选项，以便分析输出排除截距系数，而仅将“ 1”，“ 2”和“ 3”部分的系数返回为0.655、0.789和0.804？
- 如何解释给定部分的总标准误差？ 我只是坚持使用LSM表中的标准误差，还是将参数估计值的标准误差相加？即标准错误（拦截）+标准错误（[[]]节）+标准错误（周期）？
其他回复：帮助解释参数估计值，预测方程式和标准误差我将提供一些答案。
1. JMP将在回归模型中忽略名义变量的一个值，并报告所有其他变量的系数-每个系数都被解释为该类别相对于所有类别平均值的影响。这是必要的，因为如果将所有类别都用作因素，该模型将被过度识别。运行模型后，通过单击“扩展的估计”，您可以查看所有类别的系数。在有2个类别（例如0和1）的情况下，JMP将给出类别0的系数，并且两个类别之间的响应变量之差将是该系数的2倍（展开的估算将显示类别1的系数为绝对值相同，但符号相反）。
2.要排除截距，只需在创建拟合模型时选中“禁止截距”框即可。
3.我不确定您在这里问什么。但是，如果要模型的整体标准误差，请使用拟合摘要中报告的标准误差（不是任何单个系数，而是模型残差的标准误差）。
回复：帮助解释参数估计值，预测方程式和标准误差谢谢回复。
- 是的，扩展的估算值正是我想要的。
- 将整体模型设置为零截距不是我的意思。 相反，我希望Section [＃]的参数估计值已经包含截距（而不是截距的差）。 但是我认为这与统计惯例背道而驰，我可以很容易地计算出我想要的东西。
- 我试图在给定部分中查找所有数据的标准错误。 我现在意识到这不是参数估计的标准误差。 这也不是LSM图中的标准误差。 LSM图标准误差是用合并的标准偏差计算的，因为LSM图假定所有因子水平之间的方差相等。 如果我需要某一部分的标准误差，则必须分别计算它，我发现使用制表工具就足够容易了。
