此加载项将采用非结构化重复测量协方差和相关矩阵，并以矩阵形式（而不是列列表）进行报告。 加载项还会生成一段时间内相关性的热图。这些输出形式使评估数据相关性和协方差结构以选择适合的候选结构变得更加容易。此加载项是与以下人员协作创建的@朱利安，并且因为它建立在仅适用于以下情况的重复结构的基础上JMP专业版，仅对以下用户有用JMP专业版。
要使用此加载项，您应该首先下载附件（扩展名为“ jmpaddin”），然后单击该文件以将其打开。 系统将提示您安装加载项。 点击安装按钮。 您现在可以删除原始文件。 加载项已永久安装在JMP的“加载项”菜单中。
接下来打开您的重复测量数据文件。 在这里我们使用附件的数据文件呼吸能力堆叠。该示例在以下内容的附录2中显示为数据集5.2“呼吸能力”： SAS混合模型，第二版（2006）。 它最初出现在Littell，Pendergast和Natarajan（2000）中，并在Littell，Stroup和Freund（2002）中使用。
如中所述混合模型的SAS ：一家制药公司检查了三种药物对哮喘患者呼吸功能的影响。 治疗方法为标准药物（A），测试药物（C）和安慰剂（P）。 每种药物均随机分配给24名患者。 对每个患者进行指定的治疗，并在治疗后的8小时内每小时测量一次称为FEV1的呼吸功能标准量度。 还在给药前立即测量FEV1。
原始数据表为长格式，每个时间点具有不同的列。 （根据时间点，每位患者一行，但响应分为八个不同的列。）为了更轻松地分析时间趋势，首先创建数据的堆叠版本很有用，每个患者现在有八行，并且响应FEV1现在位于单列中。创建列也很有帮助“小时为数字”以允许拟合协方差结构，如AR（1），空间和前因数，需要连续测量时间。 最后，创建“患者（药品）”列以唯一地标识每个患者是有帮助的。 （三个药物组的患者编号重复，但是药物C中的患者201与药物P中的患者201不是同一个人。）
使用“分析”>“拟合模型”来定义模型。 改变性格到“混合模型”，以查看“构造模型效果”的选项卡，其中包括“随机效果”和“重复结构”。
输入“ FEV1”作为Y变量。 输入“药物”，“小时”和“药物*小时”作为固定效果。 （如果要通过每个受试者的基线FEV1测量值来调整它们，也可以在其中放置“ basefev1”。）您无需输入任何随机效果。 对于重复结构，选择“非结构化”，然后输入“小时”作为重复结构，并输入“患者（药物）”作为主题。
这是输出中报告的方差/协方差矩阵：
加载项的使用：
现在，单击“重复测量Cov / Corr诊断”加载项使用您下方的按钮加载项JMP菜单栏中的标签。如果打开了多个模型报告，系统将提示您选择要用于此加载项的报告。
加载项将在报告的底部产生其他输出。 向下滚动以找到相关和协方差矩阵（包括报告那些方差和协方差估计的标准误差的协方差矩阵的版本）和相关热图。
如果热图上的默认颜色渐变信息不太丰富，请右键单击红色到蓝色的色标，然后选择“渐变”。
单击“颜色主题”以选择一些内容重要的（例如，如果您只有正相关）。 如果需要，请调整亮度范围。 将“范围类型”更改为“精确数据范围”，以更好地区分特定范围的高相关性和低相关性。
现在，您可以使用非结构化协方差矩阵的对角线中的值来确定是否可以将方差视为相等或更好地视为不相等。 然后，使用“相关热图”来确定在将视线沿对角线向左下和向左移动时是否存在图案。
解释：
在这种情况下，每个时间点的方差（这些是协方差矩阵中对角线的值）的范围是0.45至0.58。 如果我们使用经验法则，标准偏差至少需要两倍的差异才能被视为不相等，这意味着这些差异至少需要四倍的差异。 按照该标准，我们可以将所有8个时间点上的这些方差视为近似相等。 同样，请查看这些差异的标准误差。 如果第一个方差的95％置信区间约为0.4541 +/- 2 * 0.0773，则该区间约为（0.30，0.61）。 由此我们可以感觉到，对这些方差中的两个方差的任何检验都肯定无法拒绝方差相等的零假设。 但是，请记住，所有这些试探法都是近似的，并且本质上是试图证明无效假设（我们不能这样做！）。 在这种情况下，将方差视为相等是合理的，但也许我们值得花时间尝试拟合不相等的方差，并查看其如何改善或恶化拟合度（由拟合统计量判断）。
查看相关热图，似乎对于较小的时滞而言，相关性很高，但随着时滞的增加，它们的系统性变弱。从这些观察中，我们可以为重复结构考虑以下选项：
- 复合对称性可能不太适合，因为它假定相关性不会随时间而变化。
- 尽管Toeplitz忽略了随时间推移的衰减关系，但它可能非常合适。
- AR（1） （或等效的空间功率）如果衰减与功率关系相关，则是一个不错的选择。
- 可能有事前依赖，因为这介于Toeplitz和AR（1）之间。 但是Antedependent将引入许多新参数，与像AR（1）这样的简单模型相比，在拟合上可能不值得任何小的改进。 我们可以通过查看惩罚其他参数的拟合统计量（使用AICc或BIC）来确认这一点。
这四个候选模型（均使用均等方差假设）的结果拟合统计量和非结构化结果如下所示：
我们正在寻找一个相对于其他竞争者而言拟合统计值较低的模型。 我们可以看到，Toeplitz是贝叶斯信息准则（BIC）上的最佳拟合模型，并且正接近经修正的Akaike信息准则（AICc）的非结构拟合。 由于这些原因，Toeplitz是用于最终模型的不错选择。 现在，我们可以解释最终模型的结果，该结果来自包括Toeplitz重复测量结构。
资料参考
利特尔（Rittell），RC，GA米利肯（GA Milliken），WW Stroup，RD沃尔芬格（RD Wolfinger）和奥·沙本伯格（O Schabenberger）。 2007年。 混合模型的SAS ，SAS Institute，第二版。
利特尔（Rittell），RC，J Pendergast和R Natarajan。 2000。 生物统计学教程：协方差建模重复测量数据分析中的结构，医学统计学19 ，1793–1819年。
Littell，RC，WW Stroup和RJ Freund。 2002年。 线性模型的SAS ，SAS Institute，第4版。
@raewdy ,
此时，必须下载并安装插件才能与 JMP Pro 16 一起使用。 计划在未来版本中使用与加载项类似的功能。
尊敬的先生
这个插件是否可以作为 jmp pro 16 的内置插件使用
