Problème de modèle mixteQuel est le problème avec ces données ?Je ne peux obtenir aucune sortie pour les tests d'effets fixes.
J'exécute un modèle mixte d'un plan de bloc complet randomisé. Rep est un facteur aléatoire tandis que S Rate et N Rate sont des variables continues. J'aimerais voir si le taux S ou le taux N a un impact sur le rendement. Le rendement est également une variable continue.
Je peux obtenir une sortie lorsque je l'exécute en tant que méthode standard des moindres carrés avec la méthode reml, mais lorsque je la change en modèle mixte, je n'obtiens aucun nombre pour le test des effets fixes.
Tableau de donnéesles fenêtresRe : problème de modèle mixteSalut,
Je ne suis pas sûr de ce qui se passe ici. Dans JMP Pro 16.2.0, j'ai le même problème que vous. Par hasard, j'ai exécuté le rapport dans une version précoce de JMP Pro 17 (EA6) et dans ce cas, il a donné des estimations pour les effets fixes. Je vous suggère de contacter le support technique (email: support@jmp.com ) afin qu'ils puissent enquêter.
Tout cela mis à part, il semble que vos facteurs n'aient que peu ou pas d'effet sur la réponse. Je soupçonne que cela fait partie de la raison du problème que vous voyez.
J'espère que ça aide,
Phil
Re : problème de modèle mixteBonjour @KernDawg , Les critères de convergence et l'algorithme d'optimisation pour Fit Mixed et Fit Least Squares (avec un effet aléatoire spécifié) vont être différents ; ce que je soupçonne fait également partie du problème ici.Un autre problème avec cet ensemble de données est la structure de covariance (risque de confusion élevé), qui peut causer des problèmes de convergence d'après mon expérience :
Notez qu'en règle générale, nous pourrions considérer une corrélation de Pearson de ~ 0,3 pour indiquer un risque modéré, avec ~ 0,5 ou plus pour indiquer un risque plus élevé (mais cela dépendra de la connaissance du sujet et de votre propre définition personnelle du risque) .
La plate-forme Fit Mixed peut être plus sensible à ce risque de confusion et, par conséquent, à ce qui semble être un problème de convergence (où les estimations d'effet ne sont pas rapportées).D'accord avec @Phil_Kay ce faible rapport signal sur bruit dans ce modèle peut contribuer au problème que nous observons.
La personnalité Ajuster les moindres carrés avec un effet aléatoire spécifié ressemble à une spécification de modèle parfaitement acceptable pour votre scénario de modélisation ici ; auquel cas, aucun de vos effets n'est statistiquement significatif sur votre réponse Rendement réel (à l'exception du terme d'interception).
Le fait que seule l'interception soit "significative" est probablement un autre indice.Vous voudrez peut-être examiner ici un modèle mieux ajusté ou vous demander pourquoi votre modèle attendu ne s'adapte pas particulièrement bien à vos données (Adj-R-carré = 6 % et est inférieur à 1/2 R-carré = 13 %) :
- @PatrickGiuliano
Re : problème de modèle mixte@KernDawg : Je voudrais ajouter une chose de plus ici comme matière à réflexion. Si nous prêtons attention à la structure des données dans les variables "S Rate" et "N Rate", nous pouvons voir qu'elles sont toutes les deux plutôt discrètes (pas strictement continues), même si elles sont modélisées dans votre table de données de cette façon.Vous pouvez le voir dans le modèle des données comme indiqué dans les tracés quantiles normaux.Ce type de modèle indique souvent une résolution de mesure limitée (dans le contexte d'un système de mesure utilisé pour collecter des données).
Si nous ajustons une distribution exponentielle à ces données (en utilisant la plate-forme de distribution et en sélectionnant cet ajustement de distribution à des fins de démonstration et parce que Johnson Sb risque de surajuster les données), nous pouvons demander à JMP d'enregistrer une colonne continue simulée pour ces ajustements pour chaque de ces deux variables :
Lorsque nous faisons cela, et que nous essayons d'ajuster le même modèle dans Fit Mixed (en utilisant ces variables au lieu de celles d'origine), le modèle converge et nous obtenons avec succès des estimations à effets fixes :
