Pourquoi est-ce que j'obtiens des résultats différents de l'analyse des composants de variance entre SAS et JMP ? ?Pourquoi ai-je des résultats différents entre SAS et JMP pour l'analyse des composants de variance ?
Cas 1 - Barré puis Barré
proc varcomp data = data method=TYPE1;
classe Facteur1 Facteur2 Facteur3 ;
variable de modèle = Facteur1 Facteur2 Facteur3 ;
Cours;
= JMP - Qualité et processus - Tableau de jauge de variabilité / attribut - Type de modèle - Franchi
(Si "Main Effect" est sélectionné, le résultat est le même avec SAS.)
Cas 2 - Imbriqué puis Croisé
proc varcomp data = data method=TYPE1;
classe Facteur1 Facteur2 Facteur3 ;
variable de modèle = Facteur1 Facteur2(Facteur1) Facteur3 ;
Cours;
= JMP - Qualité et processus - Tableau de jauge de variabilité / attribut - Type de modèle - Niché puis Croisé
Cas 3 - Croisé puis imbriqué
proc varcomp data = data method=TYPE1;
classe Facteur1 Facteur2 Facteur3 ;
variable de modèle = Facteur1 Facteur2 Facteur3(Facteur2);
Cours;
= JMP - Qualité et processus - Tableau de jauge de variabilité / attribut - Type de modèle - Croisé puis imbriqué
Il a été confirmé que les résultats SAS et JMP de la composante variance sont les mêmes lorsque le nombre de facteurs est 1 ou 2.
Cependant, les résultats sont différents pour les cas ci-dessus avec 3 facteurs.\
J'apprécierais vraiment...si vous pouviez me dire pourquoi les résultats des deux programmes sont différents !
AnalytiqueTableau de donnéesBICHEmacOSAutreles fenêtresRe : Pourquoi est-ce que j'obtiens des résultats différents de l'analyse des composants de variance entre SAS et JMP ? ?Merci pour votre réponse vraiment gentille et précise !!
Re : Pourquoi est-ce que j'obtiens des résultats différents de l'analyse des composants de variance entre SAS et JMP ? ?Qu'entend-on exactement par précis ? L'approche de type I ou EMS et la REML ne sont que des méthodes d'estimation différentes. REML est une méthode d'estimation très bonne et très respectée qui existe depuis des années. En fait, pour la plupart des situations avec des données équilibrées, il fournira les mêmes résultats que l'EMS. REML a l'avantage de travailler dans des situations déséquilibrées et dans des situations avec des composantes de variance négatives. De plus, REML vous permettrait même d'EXIGER que les composantes de la variance soient supérieures ou égales à zéro pour éviter les estimations négatives.
Vous pouvez vous sentir à l'aise avec l'approche REML.
Re : Pourquoi est-ce que j'obtiens des résultats différents de l'analyse des composants de variance entre SAS et JMP ? ?Cher Dan,
Merci beaucoup pour votre aimable réponse.
Comme vous l'avez dit, j'ai les mêmes résultats lors de l'utilisation de REML.
J'ai compris que le même résultat ne peut pas être obtenu dans le cas de non-REML car la méthode d'estimation de la méthode d'erreur de type 1 et la méthode EMS sont différentes.
Vous avez dit que la méthode Type1 est une ancienne méthode.
L'utilisation de REML peut-elle obtenir des résultats ANOVA plus précis même si la variation n'est pas négative ???
Re : Pourquoi est-ce que j'obtiens des résultats différents de l'analyse des composants de variance entre SAS et JMP ? ?Sans voir vos données, je ne peux pas être sûr de la raison pour laquelle elles sont différentes, mais je peux faire une supposition éclairée.
Dans le code SAS, vous utilisez Method=Type I. Ceci utilise une somme de carrés de type I pour l'estimation. Dans la boîte de dialogue Composants de variance JMP, il existe un bouton pour les paramètres d'analyse. Si vous cliquez dessus, vous verrez que la valeur par défaut de JMP est "Choisir la meilleure analyse". Ainsi, JMP pouvait basculer librement entre EMS, REML ou bayésien. JMP utilise donc probablement une méthode d'estimation différente de celle de SAS. Notez que JMP ne propose même pas d'option pour forcer la méthode de type I (ou EMS), car il s'agit d'une approche plus ancienne qui n'est généralement pas recommandée.
Si vous avez besoin qu'ils acceptent, dans SAS, définissez la méthode sur REML. Dans JMP, choisissez l'analyse Utiliser REML. Cela devrait les mettre d'accord. Mais gardez à l'esprit que même dans cette situation, selon vos données, il peut y avoir de légères différences en raison de l'approche de la façon dont les grandes matrices peuvent être traitées (séparées et recombinées) à des fins d'efficacité ainsi que la nature itérative dans la résolution de telles équations .
