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 di varianza?
Caso 1 - Incrociato poi Incrociato
proc varcomp data = metodo dati=TIPO1;
classe Fattore1 Fattore2 Fattore3;
variabile del modello = Fattore1 Fattore2 Fattore3;
correre;
= JMP - Qualità e processo - Variabilità/Grafico di attributo - Tipo di modello - Attraversato
(Se si seleziona "Effetto principale", il risultato è lo stesso con SAS.)
Caso 2: nidificato e poi incrociato
proc varcomp data = metodo dati=TIPO1;
classe Fattore1 Fattore2 Fattore3;
variabile del modello = Fattore1 Fattore2(Fattore1) Fattore3;
correre;
= JMP - Qualità e processo - Variabilità/Grafico di attributo - Tipo di modello - Nidificato poi incrociato
Caso 3: incrociato e poi nidificato
proc varcomp data = metodo dati=TIPO1;
classe Fattore1 Fattore2 Fattore3;
variabile del modello = Fattore1 Fattore2 Fattore3(Fattore2);
correre;
= JMP - Qualità e processo - Variabilità/Grafico di attributo - Tipo di modello - Incrociato poi nidificato
È stato confermato che i risultati SAS e JMP della componente varianza sono gli stessi quando il numero di fattori è 1 o 2.
Tuttavia, i risultati sono diversi per i casi precedenti con 3 fattori.\
Lo apprezzerei molto...se potessi dirmi perché i risultati dei due programmi sono diversi!
AnaliticaTabella datiDOEMac OSAltrofinestreRe: Perché ottengo risultati diversi dell'analisi dei componenti di varianza tra SAS e JMP ??Grazie per la tua risposta davvero gentile e specifica!!
Re: Perché ottengo risultati diversi dell'analisi dei componenti di 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. In effetti, 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 permetterebbe anche di RICHIEDERE che le componenti della varianza siano maggiori o uguali a zero per evitare stime negative.
Puoi sentirti a tuo agio con l'approccio REML.
Re: Perché ottengo risultati diversi dell'analisi dei componenti di varianza tra SAS e JMP ??Caro Dan,
Grazie mille per la tua gentile risposta.
Come hai detto, ho gli stessi risultati usando 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???
Re: Perché ottengo risultati diversi dell'analisi dei componenti di 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 di quadrati di tipo I per la stima. Nella finestra di dialogo Componenti varianza JMP, è presente un pulsante per Impostazioni analisi. Se fai clic su questo vedrai che l'impostazione predefinita di JMP è "Scegli la migliore analisi". Quindi JMP potrebbe passare liberamente tra 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 raccomandato.
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 grandi matrici possono essere gestite (divise e ricombinate) per scopi di efficienza, nonché alla natura iterativa nella risoluzione di tali equazioni .
