Salut tout le monde,
J'ai du mal à comprendre comment JMP génère une erreur std dans le tableau des moindres carrés.
J'ai un modèle avec deux effets à savoir. facteur 1 (3 catégories) et facteur 2 (2 catégories)
>> y = intercept + facteur 1 + facteur 2.
Selon JMP, je suis capable d'obtenir la moyenne LS du facteur 1 en calculant la moyenne des valeurs prédites.
Cependant, je n'ai pas pu obtenir l'erreur Std signalée par JMP lorsque j'ai utilisé la même approche avec l'erreur Std (c'est-à-dire calculer l'erreur Std des valeurs prédites).
Dans le manuel de JMP, il a été décrit que l'erreur standard de la moyenne LS indique l'erreur standard de la moyenne des moindres carrés pour chaque niveau.
Je peux mal interpréter cela.Quelqu'un peut-il s'il vous plaît aider à clarifier ce que cela signifie?
ps. J'ai joint mon modèle sur la photo. Pour donner un exemple de la façon dont je calcule une valeur prédite pour
Tâche = N-back, Diagnostic = Non-SCD
J'ai calculé y = 0,229-0,072+0,0662.
Ce que vous avez récemment fourni est une analyse différente de celle de votre message d'origine. Le nouveau est plus complexe. De plus, vous n'avez toujours pas trouvé le rapport "Parameter Estimates". Je change ma stratégie pour expliquer.
Exécutez les codes suivants pour obtenir un exemple de données et une analyse des moindres carrés.
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 );
Et voici "Parameter Estimates" et "Correlation of Estimates", l'expression de prédiction, et LS Means of X1 :
L'expression de prédiction donne une idée de l'expression mathématique du modèle, mais pas tout à fait exacte. Le modèle ressemble à ça
Où, b0 = -28,98792, b1 = -4,949583, b2 = 0,2941667, b3 = 0,286667, d'après le rapport Parameter Estimates.
La moyenne LS de A est calculée en laissant X1 = 1, X2 = 0 et X3 = 0 dans le modèle. Et trois valeurs plus l'interception forment le vecteur x dans les codes suivants. Chaque élément est la dérivée partielle de votre formule de prédiction (une fonction d'estimations) par rapport au paramètre correspondant.
Le code suivant calcule l'erreur Std pour la moyenne LS de 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));
Les valeurs dans "s" proviennent de la colonne Std Error dans les "Parameter Estimates". La matrice « R » provient de la corrélation des estimations. Le produit de "s*R*s" donne la matrice de covariance des estimations. Le produit de "x*s*R*s*transpose(x)" donne l'estimation de la variance de votre prédiction. La racine carrée de l'estimation de la variance donne l'erreur type.
Toutes les autres erreurs std sont calculées de manière similaire en utilisant différents vecteurs x. Par exemple pour B, x = [1 -1 0 0].
Maintenant, j'explique l'intrigue. Il est censé représenter les moyennes LS estimées et leurs intervalles de confiance à 95 %. En théorie, sous l'hypothèse du modèle, le rapport de l'estimation moyenne LS et de l'erreur Std correspondante suit une distribution t avec le degré de liberté égal au degré de liberté du modèle, qui est le nombre total d'observations moins le nombre de paramètres. Par conséquent, l'intervalle de confiance pour les moyennes LS a la formule que j'ai mentionnée.
Maintenant, j'explique pourquoi les erreurs Std sont les mêmes. Cela est dû aux caractéristiques des données. Les données que je donne ici proviennent d'une conception équilibrée, ou d'un nombre égal d'observations à différents niveaux en un autre mot. Essayez de supprimer quelques lignes d'un niveau et vous devriez voir des erreurs std inégales.
Votre dernière analyse est plus complexe et implique un effet aléatoire. Mais le principe de l'explication s'applique toujours.
------------
Le message est mis à jour avec une correction du vecteur x pour la moyenne LS de B.
Salut peng_liu,
Merci pour votre réponse. J'ai posté mes captures d'écran ici. J'ai deux groupes de sujets - SCD et non-SCD, classés comme diagnostic. J'ai 15 sujets dans chaque groupe, donc j'ai 30 sujets au total. Pour chaque matière, j'ai 3 observations classées par Tâches. Dans le tableau, l'identifiant du sujet est Acrostiche.
Je construis un modèle mixte avec ces effets et une covariable (Baseline BRSv)
∆PPGa = Acrostiche [Aléatoire] + Tâches + Diagnostic + Diagnostic*Tâches + BRSv de référence.
Je veux tracer la moyenne ∆PPGa + - Std Error pour chaque combinaison pour chaque combinaison de tâches, diagnostic après ajustement pour BRSv de base.
J'ai pensé que le tracé moyen LS de Diagnostic * Tâches doit être ce que je veux; cependant, Je ne comprends pas pourquoi Std Error est le même pour chaque combinaison (c'est-à-dire dans le tableau des moyennes LS de Tasks*Diagnosis, toutes les erreurs Std = 0,0417 ) .
Bien que vous ayez souligné que le tracé moyen LS n'est pas avec l'erreur Std,
pouvez-vous s'il vous plaît m'aider à comprendre?
> comment Erreur standard est calculé avant d'entrer dans LSmean +/- T Quantile (.975, df) * Std Err.
Mon Le rapport de corrélation des estimations est un peu brouillon, mais c'est la deuxième page de ma pièce jointe.
Merci pour votre temps,
J'essaie de générer un graphique de mon résultat (∆PPGa) dans chaque catégorie,
Essayez-vous de calculer l'erreur standard de y = 0,229-0,072+0,0662 ?
Ensuite, aucun des chiffres de votre capture d'écran ne vous donne cela. Ces moyennes sont marginales, par exemple la moyenne de N-back est simplement la moyenne de votre Y de toutes les observations dont la tâche = N-back, quel que soit le diagnostic.
Pour trouver l'erreur standard de votre prédiction, essayez Estimations > Test personnalisé.
