Ciao a tutti,
Sto attraversando momenti difficili per capire come JMP genera l'errore std nella tabella dei minimi quadrati.
Ho un modello con due effetti es. fattore 1 (3 categorie) e fattore 2 (2 categorie)
>> y = intercetta+ fattore 1 + fattore 2.
Secondo JMP, sono in grado di ottenere la media LS del fattore 1 calcolando la media dei valori previsti.
Tuttavia, non sono riuscito a ottenere l'errore Std segnalato da JMP quando ho utilizzato lo stesso approccio con l'errore Std (ovvero calcolare l'errore Std dei valori previsti).
Nel manuale di JMP, è stato descritto che Std Error of LS mean mostra l'errore standard della media dei minimi quadrati per ciascun livello.
Potrei interpretarlo male.Qualcuno può aiutare a chiarire cosa significa?
ps. Ho allegato il mio modello nella foto. Per fornire un esempio di come si calcola un valore previsto per
Compito = N-back, Diagnosi = Non-SCD
Ho calcolato y = 0,229-0,072+0,0662.
Quello che hai fornito di recente è un'analisi diversa da quella nel tuo post originale. Quello nuovo è più complesso. Inoltre non hai ancora trovato il rapporto "Stime dei parametri". Cambio la mia strategia per spiegare.
Esegui i seguenti codici per ottenere dati di esempio e un'analisi dei minimi quadrati.
dt = New Table( "sample",
Add Rows( 24 ),
New Column( "X1",Character,Nominal,Set Values( {"A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B"} ), ),
New Column( "X2",Character,Nominal,Set Values( {"x", "x", "x", "x", "y", "y", "y", "y", "z", "z", "z", "z", "x", "x", "x", "x", "y", "y", "y", "y", "z", "z", "z", "z"} ), ),
New Column( "Y",Numeric,Continuous,Set Values([18.33, 10.21, -2, -14.02, -21.37, -32.28, -36.99, -46.6, -56.95, -66.74, -75.84, -83, -74.18, -64.9, -55.96, -47.03, -36.72, -26.27,-18.1, -11.28, -2.18, 6.84, 16.51, 24.81]), )
);
dt << Fit Model( Y( :Y ), Effects( :X1, :X2 ), Personality( "Standard Least Squares" ), Emphasis( "Effect Screening" ), Run );
E qui ci sono "Stime dei parametri" e "Correlazione delle stime", l'espressione di previsione e le medie LS di X1:
L'espressione di previsione dà un'idea dell'espressione matematica del modello, ma non è del tutto esatta. Il modello si presenta così
In cui b0 = -28,98792, b1 = -4,949583, b2 = 0,2941667, b3 = 0,286667, dal report Stime dei parametri.
La media LS di A viene calcolata lasciando X1 = 1, X2 = 0 e X3 = 0 nel modello. E tre valori più l'intercetta formano il vettore x nei codici seguenti. Ogni elemento è la derivata parziale della tua formula di previsione (una funzione delle stime) rispetto al parametro corrispondente.
Il codice seguente calcola l'errore Std per la media LS di A.
x = [1 1 0 0];
s = diag([7.034044 7.034044 9.94764 9.94764]);
R = [1 0 0 0,
0 1 0 0,
0 0 1 -0.5,
0 0 -0.5 1];
sqrt(x * s * R * s * transpose(x));
I valori in "s" provengono dalla colonna Std Error nelle "Stime dei parametri". La matrice "R" deriva dalla correlazione delle stime. Il prodotto di "s*R*s" fornisce la matrice di covarianza delle stime. Il prodotto di "x*s*R*s*transpose(x)" fornisce la stima della varianza della tua previsione. La radice quadrata della stima della varianza fornisce un errore std.
Tutti gli altri errori std vengono calcolati in modo simile utilizzando diversi vettori x. Ad esempio per B, x = [1 -1 0 0].
Ora spiego la trama. Dovrebbe rappresentare le medie LS stimate e i loro intervalli di confidenza al 95%. In teoria, nell'ipotesi del modello, il rapporto tra la stima media LS e il corrispondente Std Error, segue una distribuzione t con il grado di libertà uguale al grado di libertà del modello, che è il numero totale di osservazioni meno il numero di parametri. Pertanto, l'intervallo di confidenza per le medie LS ha la formula che ho menzionato.
Ora spiego perché gli errori Std sono gli stessi. Ciò è dovuto alle caratteristiche dei dati. I dati che sto fornendo qui provengono da un progetto equilibrato, o un numero uguale di osservazioni a livelli diversi in un'altra parola. Prova a eliminare un paio di righe da un livello e dovresti vedere errori std disuguali.
La tua ultima analisi è più complessa e comporta un effetto casuale. Ma il principio della spiegazione è ancora valido.
------------
Il post viene aggiornato con una correzione a x-vector per LS Mean of B.
Ciao peng_liu,
Grazie per la vostra risposta. Ho pubblicato i miei screenshot qui. Ho due gruppi di soggetti - SCD e non SCD, classificati come Diagnosi. Ho 15 soggetti in ogni gruppo, quindi ho 30 soggetti in totale. Per ogni soggetto, ho 3 osservazioni classificate per Compiti. Nella tabella, l'id soggetto è Acrostico.
Costruisco un modello misto con questi effetti e una covariata (Baseline BRSv)
∆PPGa = Acrostico[Casuale] + Compiti + Diagnosi + Diagnosi*Compiti + Baseline BRSv.
Voglio tracciare il ∆PPGa medio +- Errore Std per ciascuna combinazione per ciascuna combinazione di attività, diagnosi dopo l'adeguamento per BRSv di base.
Ho pensato che il grafico medio di LS di Diagnosis*Tasks deve essere quello che voglio; tuttavia, Non capisco perché Std Error è lo stesso per ogni combinazione (ad es. nella tabella media LS di Tasks*Diagnosis, all Std Error = 0.0417 ) .
Sebbene tu abbia sottolineato che il grafico della media LS non è con Std Error,
potete aiutarmi a capire per favore?
> come Errore standard viene calcolato prima di entrare LSmean +/- T Quantile(.975, df) * Std Err.
Mio Il rapporto sulla correlazione delle stime è un po' disordinato, ma è la seconda pagina del mio allegato.
Grazie per il tuo tempo,
Sto cercando di generare una trama del mio risultato (∆PPGa) in ogni categoria,
Stai cercando di calcolare l'errore standard di y = 0,229-0,072+0,0662?
Quindi nessuno dei numeri nel tuo screenshot te lo dà. Tali mezzi sono marginali, ad esempio la media di N-back è semplicemente la media della tua Y di tutte le osservazioni il cui compito = N-back, indipendentemente da quale sia la Diagnosi.
Per trovare lo std err della tua previsione, prova Stime > Test personalizzato.
