Als ich auf „Modell anpassen“ geklickt habe, wurde „Modell 1“ angezeigt, einschließlich „Random Block & Random“ als Faktor, was bedeutet, dass „Random Block“ ein zufälliger und kein fester Effekt ist. Wenn ich jedoch „Modell 2“ nur mit „Zufallsblock“ als Faktor betreibe, wird alles weniger effizient. Was ist richtiger und warum?
Außerdem bin ich an die Ausgabe von Modell 2 gewöhnt, in der ich auf skalierte Schätzungen klicken kann. Und bei einer JMP-Schulung wurde mir beigebracht, dass es sich dabei um halbe Schätzungen handelt, die ich also mit 2 multiplizieren muss, um die tatsächlichen Änderungen in der Antwort zu erhalten. Die Ausgabe von Modell 1, die ich noch nie zuvor gesehen habe, erlaubt es Ihnen nicht, skalierte Schätzungen auszuwählen. Warum ist das so?
Modell 1 und Parameterschätzungen:
Modell 2 und skalierte Schätzungen:
Um Marks Argumente zu verallgemeinern: Die statistische Signifikanz ist eine bedingte Aussage. Wenn sich der Schlussfolgerungsraum oder die Terme im Modell oder die Schätzungen des Fehlers ändern, kann sich auch die statistische Signifikanz ändern.
Die Anpassung verschiedener Modelle führt zu unterschiedlichen Ergebnissen. Es ist ein großer Unterschied, den Block als festen oder zufälligen Effekt zu behandeln. Erstens werden die Parameter im Modell geändert. Ein fester Effekt für 4 Blöcke erfordert 3 Parameter. Dieser Unterschied ändert die Freiheitsgrade für die Quadratsumme des Modells und den Fehler, was sich auf die Signifikanzmetriken auswirkt. Ein zufälliger Effekt für 4 Blöcke erfordert 1 Parameter. Ein Mixed-Effects-Modell in JMP verwendet standardmäßig REML zur Schätzung. REML passt die Freiheitsgrade an, sodass diese Methode auch Auswirkungen auf die Signifikanzmetriken hat.
