Perché ottengo risultati diversi dell'analisi dei componenti della varianza tra SAS e JMP ??Perché ottengo risultati diversi tra SAS e JMP per l'analisi dei componenti della varianza?
Caso 1 - Incrociato poi Incrociato
proc varcomp data = data method=TYPE1;
classe Fattore1 Fattore2 Fattore3;
variabile del modello = Fattore1 Fattore2 Fattore3;
correre;
= JMP - Qualità e processo - Grafico indicatore variabilità/attributo - Tipo modello - incrociato
(Se è selezionato "Effetto principale", il risultato è lo stesso con SAS.)
Caso 2 - Annidato e poi incrociato
proc varcomp data = data method=TYPE1;
classe Fattore1 Fattore2 Fattore3;
variabile del modello = Fattore1 Fattore2(Fattore1) Fattore3;
correre;
= JMP - Qualità e processo - Grafico indicatore variabilità/attributo - Tipo modello - Annidato poi incrociato
Caso 3 - Incrociato e poi annidato
proc varcomp data = data method=TYPE1;
classe Fattore1 Fattore2 Fattore3;
variabile del modello = Fattore1 Fattore2 Fattore3(Fattore2);
correre;
= JMP - Qualità e processo - Grafico indicatore variabilità/attributo - Tipo modello - Incrociato e poi annidato
È stato confermato che i risultati SAS e JMP di Variance Component sono gli stessi quando il numero di fattori è 1 o 2.
Tuttavia, i risultati sono diversi per i casi precedenti con 3 fattori.\
Ti sarei davvero grato...se potessi dirmi perché i risultati dei due programmi sono diversi!
AnalisiTabella datidainaMac OSAltrofinestreRi: Perché ottengo risultati diversi dell'analisi dei componenti della varianza tra SAS e JMP ??Senza vedere i tuoi dati non posso essere sicuro del motivo per cui sono diversi, ma posso fare un'ipotesi plausibile.
Nel codice SAS stai usando Method=Type I. Questo sta usando una somma dei quadrati di tipo I per la stima. Nella finestra di dialogo JMP Variance Components, è presente un pulsante per Analysis Settings. Se fai clic su questo, vedrai che l'impostazione predefinita di JMP è "Scegli la migliore analisi". Quindi JMP potrebbe passare liberamente da EMS, REML o bayesiano. Quindi è probabile che JMP utilizzi un metodo di stima diverso da SAS. Si noti che JMP non fornisce nemmeno un'opzione per forzare il metodo di tipo I (o EMS) poiché si tratta di un approccio precedente che generalmente non è consigliato.
Se hai bisogno che siano d'accordo, in SAS imposta il metodo su REML. In JMP, scegli Usa analisi REML. Questo dovrebbe metterli d'accordo. Ma tieni presente che anche in questa situazione, a seconda dei tuoi dati, potrebbero esserci lievi differenze dovute all'approccio di come le matrici di grandi dimensioni possono essere gestite (divise e ricombinate) a fini di efficienza, nonché alla natura iterativa nella risoluzione di tali equazioni .
Ri: Perché ottengo risultati diversi dell'analisi dei componenti della varianza tra SAS e JMP ??Caro Dan,
Grazie mille per la tua gentile risposta.
Come hai detto, ho gli stessi risultati quando uso REML.
Ho capito che lo stesso risultato non può essere ottenuto nel caso di non-REML perché il metodo di stima del metodo dell'errore di tipo 1 e il metodo EMS sono diversi.
Hai detto che il metodo Type1 è un vecchio metodo.
L'uso di REML può ottenere risultati ANOVA più accurati anche se la variacne non è negativa???
Ri: Perché ottengo risultati diversi dell'analisi dei componenti della varianza tra SAS e JMP ??Cosa si intende esattamente per accurato? L'approccio di tipo I o EMS e REML sono solo metodi di stima diversi. REML è un metodo di stima molto buono e rispettato che esiste da anni. Infatti, per la maggior parte delle situazioni con dati bilanciati, fornirà gli stessi risultati di EMS. REML ha il vantaggio di lavorare in situazioni sbilanciate e in situazioni con componenti di varianza negativa. Inoltre, REML consentirebbe persino di RICHIEDERE che i componenti della varianza siano maggiori o uguali a zero per evitare le stime negative.
Puoi sentirti a tuo agio con l'approccio REML.
Ri: Perché ottengo risultati diversi dell'analisi dei componenti della varianza tra SAS e JMP ??Grazie per la tua risposta davvero gentile e specifica!!
