該插件將採用非結構化的重複測量協方差和相關矩陣，並以矩陣形式（而不是列列表）報告它們。 該插件還會生成一段時間內的相關性熱圖。這些輸出形式使得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。該插件是與以下機構合作創建的@朱利安，並且因為它建立在僅在以下情況下可用的重複結構之上JMP專業版，它只會對用戶有用JMP專業版。
要使用此插件，您應該首先下載附件（擴展名“jmpaddin”），然後單擊該文件將其打開。 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。 該插件永久安裝在 JMP 的“插件”菜單中。
接下來打開重複測量數據文件。 這裡我們使用附加的數據文件呼吸能力疊加。該示例在附錄 2 中顯示為數據集 5.2“呼吸能力”適用於混合模型的 SAS，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。
如中所述適用於混合模型的 SAS ：一家製藥公司檢查了三種藥物對哮喘患者呼吸能力的影響。 治療包括標準藥物 (A)、試驗藥物 (C) 和安慰劑 (P)。 這些藥物被隨機分配給各 24 名患者。 對每位患者進行指定的治療，並在治療後 8 小時內每小時測量一次稱為 FEV1 的呼吸能力標準測量值。 在給藥前立即測量 FEV1。
原始數據表是長格式，每個時間點都有不同的列。 （每個患者一行，但根據時間點，響應位於八個不同的列中。）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，其中每個患者現在有八行，並且響應 FEV1 現在位於單列中。創建專欄也很有幫助“小時作為數字”允許擬合需要連續測量時間的協方差結構，如 AR(1)、空間和前相關結構。 最後，創建一個“患者（藥物）”列來唯一地識別每個患者是有幫助的。 （三個藥物組的患者編號重複，但藥物 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“構造模型效應”選項卡，其中包括“隨機效應”和“重複結構”。
輸入“FEV1”作為 Y 變量。 輸入“drug”、“hour”和“drug*hour”作為固定效應。 （如果您想通過基線 FEV1 測量來調整每個受試者，您也可以在此處輸入“basefev1”。）您不需要輸入任何隨機效應。 對於重複結構，選擇“非結構化”並輸入“小時”作為重複，輸入“患者（藥物）”作為主題。
這是輸出報告的方差/協方差矩陣：
插件的使用：
現在單擊“重複測量 Cov/Corr 診斷”插件使用您下面的按鈕插件JMP 菜單欄中的選項卡。如果您打開了多個模型報告，系統將提示您選擇要使用此插件的報告。
該加載項將在報告底部生成額外的輸出。 向下滾動以查找相關矩陣和協方差矩陣（包括報告這些方差和協方差估計值的標準誤差的協方差矩陣版本）以及相關熱圖。
如果熱圖上的默認顏色漸變信息不多，請右鍵單擊紅到藍色階，然後選擇“漸變”。
單擊“顏色主題”以選擇某些內容ntial（例如，如果只有正相關）。 如果需要，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對角線中的值來確定方差是否可以視為相等，或者最好視為不相等。 然後使用相關熱圖來確定當您的視線向左下方對角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）範圍從 0.45 到 0.58。 如果我們使用經驗法則，即標準差需要至少有兩倍的差異才能被視為不平等，那就意味著這些方差需要至少有四倍的差異。 根據該標準，我們可以將所有八個時間點上的這些方差視為大致相等。 同樣，查看這些方差的標準誤差。 如果第一個方差的 95% 置信區間約為 0.4541 +/- 2*0.0773，則約為 (0.30, 0.61)。 由此我們可以感覺到，對這些方差中的兩個之間的差異進行的任何檢驗都肯定無法拒絕方差相等的原假設。 但是，請記住，所有這些啟發法都是近似的，本質上是試圖證明原假設（我們做不到！）。 在這種情況下，將方差視為相等是合理的，但也可能值得我們花時間嘗試擬合不相等的方差，看看這如何改善或惡化擬合（通過擬合統計來判斷）。
從相關熱圖來看，對於較小的時間滯後，相關性似乎相當高，但隨著時間滯後的增加，相關性會系統性地變弱。根據這些觀察，我們可以考慮重複結構的以下選項：
- 複合對稱性可能不太適合，因為它假設相關性不會隨著時間的推移而發生變化。
- 托普利茨可能很適合，儘管它忽略了隨時間滯後的衰減關係。
- 增強現實(1) （或者等效地，空間力量）如果這種衰退是在權力關係中的話，這是一個很好的選擇。
- 前因是一種可能性，因為這在某種程度上介於 Toeplitz 和 AR(1) 之間。 但 Antedependent 將引入許多新參數，與 AR(1) 這樣的簡單模型相比，這些參數在擬合方面可能不值得做任何小改進。 我們可以通過查看懲罰附加參數（使用 AICc 或 BIC）的擬合統計數據來確認這一點。
這四個候選模型（全部使用等方差假設）和非結構化模型的擬合統計結果如下所示：
我們正在尋找一個與其他競爭者相比，擬合統計數據值較低的模型。 我們可以看到，Toeplitz 是貝葉斯信息準則 (BIC) 上的最佳擬合模型，並且它正在接近修正的 Akaike 信息準則 (AICc) 上的非結構化擬合。 由於這些原因，Toeplitz 是用於最終模型的不錯選擇。 現在，我們可以解釋包含 Toeplitz 重複測量結構的最終模型結果。
數據參考
Littell、RC、GA Milliken、WW Stroup、RD Wolfinger 和 O Schabenberger。 2007年。 適用於混合模型的 SAS ，第二版，SAS 研究所。
Littell、RC、J Pendergast 和 R Natarajan。 2000年。 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19 ，1793–1819。
Littell、RC、WW Stroup 和 RJ Freund。 2002年。 用於線性模型的 SAS ，第 4 版，SAS 研究所。
@拉艾德,
此時，必須下載並安裝插件才能與 JMP Pro 16 一起使用。 計劃在未來版本中提供與該插件類似的功能。
尊敬的先生
此插件是否可作為 jmp pro 16 中的內置插件使用
