帮助解释参数估计、预测方程和标准误差在拟合最小二乘分析中，我的模型有一个分类变量“部分”，其三个值为“1”、“2”和“3”，还有一个连续变量“周期”。我有三个问题。
- 为什么参数估计表不代表模型？它没有提供关于“3”节的信息。
- 我可以更改 JMP 中的选项，以便分析输出排除截距系数并仅返回“1”、“2”和“3”节系数 0.655、0.789 和 0.804 吗？
- 如何解释给定部分的总标准误差？我是否只坚持使用 LSM 表中的标准误差，还是将参数估计的标准误差相加？即标准误差（截距）+ 标准误差（部分 [#]）+ 标准误差（循环）？
大规模定制回复：帮助解释参数估计、预测方程和标准误差我不建议经常这样做，但是要在没有截距的情况下“查看”模型，您总是可以将模型与部分作为“by”变量进行拟合（当然，还可以从模型中删除部分）。 您将获得三个模型，每个部分一个。 每个模型的截距将是截距与相应部分的参数估计值的组合。
这种方法可能会让您获得您正在寻找的“标准错误”。
我通常只推荐这种方法，以便了解您已经拟合的单个整体模型。 一种模式优于三种模式。
回复：帮助解释参数估计、预测方程和标准误差谢谢回复。
- 是的，扩展估计正是我要找的。
- 将整体模型设置为零截距并不是我的意思。 相反，我希望 Section[#] 的参数估计已经包括截距（而不是与截距的差异）。 但我认为这违反了统计惯例，我可以很容易地计算出我想要的东西。
- 我试图找到给定部分中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。 它也不是 LSM 图中的标准误差。 LSM 图标准误差是使用合并标准差计算的，因为 LSM 图假设所有因子水平之间的方差相等。 如果我想要一个部分的标准误差，我必须单独计算它，我发现使用 Tabulate 工具很容易做到这一点。
回复：帮助解释参数估计、预测方程和标准误差我会提供一些答案。
1. JMP 将在回归模型中省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，模型将被过度识别。您可以在运行模型后单击“扩展估计”来查看所有类别的系数。如果有 2 个类别，比如 0 和 1，JMP 将给出类别 0 的系数，两个类别之间响应变量的差异将是该系数的 2 倍（扩展估计将显示类别 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勾选“无截距”即可。
3. 我不太确定你在这里问什么。但是，如果您想要模型的总体标准误差，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）。
