此加載項將採用非結構化重複測量協方差和相關矩陣，並以矩陣形式（而不是列列表）進行報告。 加載項還會生成一段時間內相關性的熱圖。這些輸出形式使評估數據相關性和協方差結構以選擇適合的候選結構變得更加容易。此加載項是與以下人員協作創建的@朱利安，因為它建立在僅適用於以下情況的重複結構的基礎上JMP專業版，僅對以下用戶有用JMP專業版。
要使用此加載項，您應該首先下載附件（擴展名為“ jmpaddin”），然後單擊該文件以將其打開。 系統將提示您安裝加載項。 點擊安裝按鈕。 您現在可以刪除原始文件。 加載項已永久安裝在JMP的“加載項”菜單中。
接下來打開您的重複測量數據文件。 在這裡我們使用附件的數據文件呼吸能力堆疊。該示例在以下內容的附錄2中顯示為數據集5.2“呼吸能力”： SAS混合模型，第二版（2006）。 它最初出現在Littell，Pendergast和Natarajan（2000）中，並在Littell，Stroup和Freund（2002）中使用。
如中所述混合模型的SAS ：一家製藥公司檢查了三種藥物對哮喘患者呼吸功能的影響。 治療方法為標準藥物（A），測試藥物（C）和安慰劑（P）。 每種藥物均隨機分配給24名患者。 對每位患者進行指定的治療，並在治療後的8小時內每小時測量一次稱為FEV1的標準呼吸功能。 還在給藥前立即測量FEV1。
原始數據表為長格式，每個時間點具有不同的列。 （根據時間點，每位患者一行，但響應分為八個不同的列。）為了更輕鬆地分析時間趨勢，首先創建數據的堆疊版本很有用，每個患者現在有八行，並且響應FEV1現在位於單列中。創建列也很有幫助“小時為數字”以允許擬合協方差結構，如AR（1），空間和前依依數，需要連續測量時間。 最後，創建“患者（藥品）”列以唯一地標識每個患者是有幫助的。 （三個藥物組的患者編號重複，但是藥物C中的患者201與藥物P中的患者201不是同一個人。）
使用“分析”>“擬合模型”來定義模型。 改變性格到“混合模型”，以查看“構造模型效果”的選項卡，其中包括“隨機效果”和“重複結構”。
輸入“ FEV1”作為Y變量。 輸入“藥物”，“小時”和“藥物*小時”作為固定效果。 （如果要通過每個受試者的基線FEV1測量值來調整它們，也可以在其中放置“ basefev1”。）您無需輸入任何隨機效果。 對於重複結構，選擇“非結構化”，然後輸入“小時”作為重複結構，並輸入“患者（藥物）”作為主題。
這是輸出中報告的方差/協方差矩陣：
加載項的使用：
現在，單擊“重複測量Cov / Corr診斷”加載項使用您下方的按鈕加載項JMP菜單欄中的標籤。如果您打開了多個模型報告，系統將提示您選擇要用於此加載項的報告。
加載項將在報告的底部產生其他輸出。 向下滾動以找到相關和協方差矩陣（包括報告那些方差和協方差估計的標準誤差的協方差矩陣的版本）和相關熱圖。
如果熱圖上的默認顏色漸變信息不太豐富，請右鍵單擊紅色到藍色的色階，然後選擇“漸變”。
單擊“顏色主題”以選擇一些內容重要的（例如，如果您只有正相關）。 如果需要，請調整亮度範圍。 將“範圍類型”更改為“精確數據范圍”，以更好地區分特定範圍的高相關性和低相關性。
現在，您可以使用非結構化協方差矩陣的對角線中的值來確定是否可以將方差視為相等或更好地視為不相等。 然後，使用“相關熱圖”確定在將注視沿對角線向左下和向左移動時是否存在模式。
解釋：
在這種情況下，每個時間點的方差（這些是協方差矩陣中對角線的值）的範圍是0.45至0.58。 如果我們使用經驗法則，標準偏差至少需要兩倍的差異才能被視為不相等，這意味著這些差異至少需要四倍的差異。 按照該標準，我們可以將所有8個時間點上的這些方差視為近似相等。 同樣，請查看這些差異的標準誤差。 如果第一個方差的95％置信區間約為0.4541 +/- 2 * 0.0773，則該區間約為（0.30，0.61）。 由此我們可以感覺到，對這些方差中的兩個方差的任何檢驗都肯定無法拒絕方差相等的零假設。 但是，請記住，所有這些試探法都是近似的，並且本質上是試圖證明無效假設（我們不能這樣做！）。 在這種情況下，將方差視為相等是合理的，但也許我們值得花時間嘗試擬合不相等的方差，並查看其如何改善或惡化擬合度（由擬合統計量判斷）。
從相關熱圖看，似乎在較小的時間滯後中相關性很高，但是隨著時間滯後的增加，它們的系統性變弱。從這些觀察中，我們可以為重複結構考慮以下選項：
- 複合對稱可能不太適合，因為它假定相關性不會隨時間而變化。
- 儘管Toeplitz忽略了隨時間推移的衰減關係，但它可能非常合適。
- AR（1） （或等效的空間功率）如果衰減與功率關係相關，則是一個不錯的選擇。
- 可能有事前依賴，因為這介於Toeplitz和AR（1）之間。 但是Antedependent將引入很多新參數，與像AR（1）這樣的簡單模型相比，在擬合上可能不值得任何小的改進。 我們可以通過查看懲罰其他參數的擬合統計量（使用AICc或BIC）來確認這一點。
這四個候選模型（均使用均等方差假設）的結果擬合統計量和非結構化結果如下所示：
我們正在尋找一個相對於其他競爭者而言擬合統計值較低的模型。 我們可以看到，Toeplitz是貝葉斯信息準則（BIC）上的最佳擬合模型，並且正接近經修正的Akaike信息準則（AICc）的非結構擬合。 由於這些原因，Toeplitz是用於最終模型的不錯選擇。 現在，我們可以解釋最終模型的結果，該結果來自包括Toeplitz重複測量結構。
資料參考
利特爾（Rittell），RC，GA米利肯（GA Milliken），WW Stroup，RD沃爾芬格（RD Wolfinger）和O Schabenberger。 2007年。 混合模型的SAS ，SAS Institute，第二版。
利特爾（Rittell），RC，J Pendergast和R Natarajan。 2000。 生物統計學教程：協方差建模重複測量數據分析中的結構，醫學統計學19 ，1793–1819年。
Littell，RC，WW Stroup和RJ Freund。 2002年。 線性模型的SAS ，SAS Institute，第4版。
@raewdy ,
此時，必須下載並安裝插件才能與 JMP Pro 16 一起使用。 計劃在未來版本中使用與加載項類似的功能。
尊敬的先生
這個插件是否可以作為 jmp pro 16 的內置插件使用
