该插件将采用非结构化的重复测量协方差和相关矩阵，并以矩阵形式（而不是列列表）报告它们。 该插件还会生成一段时间内的相关性热图。这些输出形式使得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。该插件是与以下机构合作创建的@朱利安，并且因为它建立在仅在以下情况下可用的重复结构之上JMP专业版，它只会对用户有用JMP专业版。
要使用此插件，您应该首先下载附件（扩展名“jmpaddin”），然后单击该文件将其打开。 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。 该插件永久安装在 JMP 的“插件”菜单中。
接下来打开重复测量数据文件。 这里我们使用附加的数据文件呼吸能力叠加。该示例在附录 2 中显示为数据集 5.2“呼吸能力”适用于混合模型的 SAS，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。
如中所述适用于混合模型的 SAS ：一家制药公司检查了三种药物对哮喘患者呼吸能力的影响。 治疗包括标准药物 (A)、试验药物 (C) 和安慰剂 (P)。 这些药物被随机分配给各 24 名患者。 对每位患者进行指定的治疗，并在治疗后 8 小时内每小时测量一次称为 FEV1 的呼吸能力标准测量值。 在给药前立即测量 FEV1。
原始数据表是长格式，每个时间点都有不同的列。 （每个患者一行，但根据时间点，响应位于八个不同的列中。）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，其中每个患者现在有八行，并且响应 FEV1 现在位于单列中。创建专栏也很有帮助“小时作为数字”允许拟合需要连续测量时间的协方差结构，如 AR(1)、空间和前相关结构。 最后，创建一个“患者（药物）”列来唯一地识别每个患者是有帮助的。 （三个药物组的患者编号重复，但药物 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“构造模型效应”选项卡，其中包括“随机效应”和“重复结构”。
输入“FEV1”作为 Y 变量。 输入“drug”、“hour”和“drug*hour”作为固定效应。 （如果您想通过基线 FEV1 测量来调整每个受试者，您也可以在此处输入“basefev1”。）您不需要输入任何随机效应。 对于重复结构，选择“非结构化”并输入“小时”作为重复，输入“患者（药物）”作为主题。
这是输出报告的方差/协方差矩阵：
插件的使用：
现在单击“重复测量 Cov/Corr 诊断”插件使用您下面的按钮插件JMP 菜单栏中的选项卡。如果您打开了多个模型报告，系统将提示您选择要使用此插件的报告。
该加载项将在报告底部生成额外的输出。 向下滚动以查找相关矩阵和协方差矩阵（包括报告这些方差和协方差估计值的标准误差的协方差矩阵版本）以及相关热图。
如果热图上的默认颜色渐变信息不多，请右键单击红到蓝色阶，然后选择“渐变”。
单击“颜色主题”以选择某些内容ntial（例如，如果只有正相关）。 如果需要，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对角线中的值来确定方差是否可以视为相等，或者最好视为不相等。 然后使用相关热图来确定当您的视线向左下方对角移动时是否存在模式。
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）范围从 0.45 到 0.58。 如果我们使用经验法则，即标准差需要至少有两倍的差异才能被视为不平等，那就意味着这些方差需要至少有四倍的差异。 根据该标准，我们可以将所有八个时间点上的这些方差视为大致相等。 同样，查看这些方差的标准误差。 如果第一个方差的 95% 置信区间约为 0.4541 +/- 2*0.0773，则约为 (0.30, 0.61)。 由此我们可以感觉到，对这些方差中的两个之间的差异进行的任何检验都肯定无法拒绝方差相等的原假设。 但是，请记住，所有这些启发法都是近似的，本质上是试图证明原假设（我们做不到！）。 在这种情况下，将方差视为相等是合理的，但也可能值得我们花时间尝试拟合不相等的方差，看看这如何改善或恶化拟合（通过拟合统计来判断）。
从相关热图来看，对于较小的时间滞后，相关性似乎相当高，但随着时间滞后的增加，相关性会系统性地变弱。根据这些观察，我们可以考虑重复结构的以下选项：
- 复合对称性可能不太适合，因为它假设相关性不会随着时间的推移而发生变化。
- 托普利茨可能很适合，尽管它忽略了随时间滞后的衰减关系。
- 增强现实(1) （或者等效地，空间力量）如果这种衰退是在权力关系中的话，这是一个很好的选择。
- 前因是一种可能性，因为这在某种程度上介于 Toeplitz 和 AR(1) 之间。 但 Antedependent 将引入许多新参数，与 AR(1) 这样的简单模型相比，这些参数在拟合方面可能不值得做任何小改进。 我们可以通过查看惩罚附加参数（使用 AICc 或 BIC）的拟合统计数据来确认这一点。
这四个候选模型（全部使用等方差假设）和非结构化模型的拟合统计结果如下所示：
我们正在寻找一个与其他竞争者相比，拟合统计数据值较低的模型。 我们可以看到，Toeplitz 是贝叶斯信息准则 (BIC) 上的最佳拟合模型，并且它正在接近修正的 Akaike 信息准则 (AICc) 上的非结构化拟合。 由于这些原因，Toeplitz 是用于最终模型的不错选择。 现在，我们可以解释包含 Toeplitz 重复测量结构的最终模型结果。
数据参考
Littell、RC、GA Milliken、WW Stroup、RD Wolfinger 和 O Schabenberger。 2007年。 适用于混合模型的 SAS ，第二版，SAS 研究所。
Littell、RC、J Pendergast 和 R Natarajan。 2000年。 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19 ，1793–1819。
Littell、RC、WW Stroup 和 RJ Freund。 2002年。 用于线性模型的 SAS ，第 4 版，SAS 研究所。
@拉艾德,
此时，必须下载并安装插件才能与 JMP Pro 16 一起使用。 计划在未来版本中提供与该插件类似的功能。
尊敬的先生
此插件是否可作为 jmp pro 16 中的内置插件使用
