ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）大家好。
我在解释 JMP 中的 ANCOVA 时遇到问题。
问题1。
我可以使用 IV 作为“连续变量”和“DV 作为连续变量，CV 作为校准类别”吗？
因为我读过很多参考文献，都说“ANCOVA 需要 IV 分类、DV 连续、CV 连续”。
这是非常令人困惑的，因为如果 IV 是分类的，则 IV 和 DV 关系不能定义为线性回归......它们只是方差分析......
不是吗？？
问题2。
ANCOVA 中有 4 种可能的 JMP 输出
1-斜率不同，截距不同
2-斜率相同，截距相同
3-斜率不同，截距相同
4-斜率相同，截距不同
我该如何解释1和3的情况？
当这种情况出现时，似乎还有另一种方法，
但这太复杂了。
请帮我。
消费者和市场研究回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）我建议您查看“分析”>“专业建模”>拟合曲线。 您提供测试方法 (Y)、标准方法 (X)，并使用指示符列（组）。 在多项式组中选择线性拟合命令。 拟合轮廓将有自己的菜单，其中包含用于评估相似性的等效性和并行性命令。
您是否在每次校准时测试对照样品？ 您使用控制图来评估一致性吗？
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）我想知道使用“拟合曲线”平台是否是一种选择。本平台支持参数对比；我只将它用于非线性关系，但您可以将它与线性模型一起使用。在这里，您可以以均值分析 (ANOM) 的形式对模型中的每一项进行等价检验。
这是所提供数据的斜率比较@Byron_JMP
以下是 JMP 在线帮助中的链接：
参数对比
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）请不要放弃说服我。
我不需要为我的潜在结论提供坚实的理由。
我需要做的就是决定多行是否被认为是相同的（或不同的）。
您知道，校准（例如每日）曲线应该是相同的，但由于人为错误等因素造成了“不一致”。
我确实想决定它们是否可以被视为“相同”。
请帮我。 我需要你的帮助。
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）谢谢你，这很有趣。
然而，池化有什么意义呢？
合并线路和现有线路之一（例如：A460 1）是否要进行比较？
我认为我不需要那个。
我想得出的最终结论是线条是否都相同。
鉴于您的 jmp 文件，
当交互作用显着而拦截不显着时，问题就会出现。 （或相反亦然）
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）
附件是一个示例数据表。 单击表脚本旁边的绿色三角形“池曲线？”
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）我很抱歉，但实际上不是。
我能明白你上一篇文章的要点。
但它不能说明我的问题2。
“我真的很关心坡度是否相同。”
简单的方法。 （在这种情况下我不需要深入的统计理论）
如果显着，则不相同。
如果不显着，则相同。
但以什么标准呢？坡？截距？
只有两种情况让我感到困惑，
- 斜率不显着，截距显着
-斜率显着而截距不显着。
这有道理吗？到目前为止我还找不到。
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）我们先看看能否先理清问题2的答案。 我将重新陈述线性模型以强调其解释。
你适合什么：Y = b0 + 分类 + 连续 + 分类 * 连续 + 误差
您的解释：Y = (b0 + 分类) + (1 + 分类) * 连续 + 误差
第一个总和是回归模型中的常数。 如果第一个和中的分类参数很重要，则它会添加到 b0，否则它为零并且不添加任何内容。 如果分类项不显着，则只有 b0 或公共截距。 OTOH，如果它很重要，那么就有与分类因素的每个级别相关的唯一或不同的截距。 类似地，如果交互项很重要，则它会添加到公共斜率中，为分类因子的每个级别提供唯一或不同的斜率。 否则，它为零并且只有公共斜率。
这个解释有帮助吗？
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）感谢您持续不断的对话。
我从问题1得到了要点，但无法从问题2得到要点。
这可能是由于对统计学的理解不够造成的。
我无法理解“平均差”和“比例差”
我参加过工业工程培训课程，该课程涉及统计，但到目前为止从未听说过这个词......，尤其是比例差异。
平均差是什么意思？
将这个术语理解为“t 检验”中的情况是否正确？
在 t 检验中，我比较第 1 组的平均值和第 2 组的平均值...
顺便说一句，线路比较的目的是，
比较“实际坡度”。
pH计，分光光度计，我在现场使用的其他许多仪器都使用由浓度已知的标准制成的<校准曲线>。
一旦完成，就可以测量感兴趣的浓度，并通过<校准曲线>计算其浓度。
我认为每个 应该是相同的，即使是在不同的日子制作的。
正如您推断的那样，对，它们根本不一样。
所以，我按照-repeat in day、-day、-operator、-lab等对它们进行排序。
我想在最左边看到最小的“ANCOVA 显着性”，在最右边看到最大的“ANCOVA 显着性”。 （你会明白，正确的人有更多因素导致可变性）
然而，我已经接近克服“同斜率违规”的障碍。
我真的不在乎来自什么简历，可能会认为它们是相同的。
我真的很关心坡度是否相同。
有多少不同？不在乎。
所以在这一点上，我非常需要你的帮助。
请.. ！
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）问题 1：是的，您可以使用 ANCOVA 将模型拟合到连续 DP，其中包含连续 CV、分类 IV 及其交互项。 “ANCOVA”这个名称是历史性的，最初的应用是分类因子（单向方差分析）和同时考虑的连续协变量的特殊情况。 我们不再使用像 ANCOVA 这样的术语，因为术语“线性预测器”更通用并且包括特殊情况。 正如我之前所说，我们现在甚至倾向于在更通用的线性回归框架中考虑方差分析，因此我们使用回归来分析具有分类因素的模型，并对级别进行适当的编码。
问题2：第一种情况（斜率不同，截距不同) 被解释为组之间的平均差异和组之间的比例差异。 交互作用很重要，因为斜率取决于分类因素的水平。 第二种情况（斜率不同，截距相同）被解释为组之间没有平均差异，但组之间存在比例差异。
您提出这些问题的背景是什么？ 稳定性测试？ 什么？
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）谢谢您的回复。
但是，我不明白这一点。
我想明确的是，...
当坡度不均匀时，为什么我不能说出“线不一样”。
我曾试图寻找上述说法的理由。
但是，我不能，我只能发现在违反同质斜率假设时尝试另一种方法。
为什么？ ANCOVA 的目的不是比较多条线吗？
那么当不是同斜时，很明显直线是不一样的。
请让我明白。请...
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）另一个建议是首先在模型中添加协变量项，然后使用顺序检验（类型 1）评估其显着性。 使用部分测试（类型 3）来评估模型项的其余部分。
回复：ANCOVA：解释 JMP ANCOVA 结果。 （4种可能的组合）问题 1：您似乎正在考虑经典意义上的方差分析，可能特别是平衡数据的分析。 如今的方差分析和方差分析都是通过线性回归进行的。 这只是如何参数化模型的问题。 你仍然有一个线性预测器。 ANCOVA 的线性回归模型为 DV = 常数 + IV + CV + CV*IV + 误差。
您可以查看有关以下内容的丰富 JMP 帮助：拟合线性模型和因子参数化的详细信息。
问题 2：一般方法是拟合完整的 ANCOVA 模型，然后删除从层次结构顶部开始的项（即交互效应项）。 JMP 帮助的这一部分有关效果测试可能有帮助。
