Ciao a tutti,
Sto attraversando momenti difficili nel capire come JMP generi errori std nella tabella delle medie dei minimi quadrati.
Ho un modello con due effetti, ad 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 riportato da JMP quando ho utilizzato lo stesso approccio con Errore Std (ovvero calcolare l'errore Std dei valori previsti).
Nel manuale di JMP, è stato descritto che l'errore standard della media LS mostra l'errore standard della media dei minimi quadrati per ciascun livello.
Potrei interpretarlo in modo sbagliato.Qualcuno può aiutarmi a chiarire cosa significa?
p.s. Ho allegato il mio modello nella foto. Per fornire un esempio di come calcolo un valore previsto per
Compito = N-back, Diagnosi = Non-SCD
Ho calcolato y = 0,229-0,072+0,0662.
Ciò 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.
Eseguire 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 );
Ed ecco "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 del tutto esatta. Il modello assomiglia a questo
In cui b0 = -28,98792, b1 = -4,949583, b2 = 0,2941667, b3 = 0,286667, dal rapporto 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 seguenti codici. Ogni elemento è la derivata parziale della tua formula di previsione (una funzione di stime) rispetto al parametro corrispondente.
Il codice seguente calcola l'errore standard 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 Errore standard nelle "Stime dei parametri". La matrice "R" proviene 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 vettori x diversi. Ad esempio per B, x = [1 -1 0 0].
Adesso vi spiego la trama. Dovrebbe rappresentare le medie LS stimate e i relativi intervalli di confidenza al 95%. In teoria, sotto l'ipotesi del modello, il rapporto tra la stima media dei LS e il corrispondente errore Std segue una distribuzione t con il grado di libertà pari 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 citato.
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 in altre parole da un numero uguale di osservazioni a diversi livelli. Prova a eliminare un paio di righe da un livello e dovresti vedere errori std non uguali.
La tua ultima analisi è più complessa e implica effetti casuali. Ma il principio della spiegazione resta valido.
------------
Il post viene aggiornato con una correzione al vettore x per la media LS di 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 ciascun gruppo, quindi ho 30 soggetti in totale. Per ogni argomento, 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.
Desidero tracciare il grafico medio del ∆PPGa +- Errore Std per ciascuna combinazione per ciascuna combinazione di attività, diagnosi dopo l'aggiustamento per BRSv di base.
Ho pensato che il grafico medio LS di Diagnosis*Tasks dovesse essere quello che voglio; tuttavia, Non capisco perché Std Error è lo stesso per ogni combinazione (ovvero nella tabella media LS di Tasks*Diagnosis, tutti gli errori Std = 0,0417 ) .
Sebbene tu abbia sottolineato che il grafico medio LS non è con errore Std,
potete per favore aiutarmi a capire?
>come Errore standard viene calcolato prima di entrare Media LS +/- T Quantile(.975, df) * Std Err.
Mio Il rapporto sulla correlazione delle stime è un po' confuso, ma è la seconda pagina del mio allegato.
Grazie per il tuo tempo,
Sto cercando di generare un grafico del mio risultato (∆PPGa) in ciascuna 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. Queste medie 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 l'errore standard della tua previsione, prova Stime > Test personalizzato.
