Hola a todos,
Estoy teniendo dificultades para entender cómo JMP genera un error estándar en la tabla de medias de mínimos cuadrados.
Tengo un modelo con dos efectos, es decir. factor 1 (3 categorías) y factor 2 (2 categorías)
>> y = intercepto+ factor 1 + factor 2.
Según JMP, puedo obtener la media LS del factor 1 calculando la media de los valores predichos.
Sin embargo, no pude obtener el error estándar que informó JMP cuando utilicé el mismo enfoque con el error estándar (es decir, calcular el error estándar de los valores predichos).
En el manual de JMP, se describe que Std Error of LS mean muestra el error estándar de la media de los mínimos cuadrados para cada nivel.
Puedo interpretar esto mal.¿Puede alguien por favor ayudar a aclarar lo que esto significa?
PD. Adjunto mi modelo en la imagen. Para dar un ejemplo de cómo calculo un valor predicho para
Tarea = N-back, Diagnóstico = No SCD
Calculé y = 0.229-0.072+0.0662.
Lo que proporcionó recientemente es un análisis diferente al de su publicación original. El nuevo es más complejo. Además, aún no ha encontrado el informe "Estimaciones de parámetros". Cambio mi estrategia para explicar.
Ejecute los siguientes códigos para obtener datos de ejemplo y un análisis de mínimos cuadrados.
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 );
Y aquí están "Estimaciones de parámetros" y "Correlación de estimaciones", la expresión de predicción y LS Medias de X1:
La expresión de predicción da una idea de la expresión matemática del modelo, pero no del todo exacta. El modelo se ve así
Donde, b0 = -28.98792, b1 = -4.949583, b2 = 0.2941667, b3 = 0.286667, del reporte de Estimaciones de Parámetros.
La media LS de A se calcula dejando X1 = 1, X2 = 0 y X3 = 0 en el modelo. Y tres valores más la intersección forman el vector x en los siguientes códigos. Cada elemento es la derivada parcial de su fórmula de predicción (una función de estimaciones) con respecto al parámetro correspondiente.
El siguiente código calcula el error estándar para la media 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));
Los valores en "s" son de la columna Error estándar en "Estimaciones de parámetros". La matriz "R" es de la Correlación de Estimaciones. El producto de "s*R*s" da la matriz de covarianza de las estimaciones. El producto de "x*s*R*s*transpose(x)" da la estimación de la varianza de su predicción. La raíz cuadrada de la estimación de la varianza da el error estándar.
Todos los demás errores estándar se calculan de manera similar utilizando diferentes vectores x. Por ejemplo, para B, x = [1 -1 0 0].
Ahora explico la trama. Se supone que representa las medias LS estimadas y sus intervalos de confianza del 95%. En teoría, bajo el supuesto del modelo, la relación entre la estimación media de LS y el error estándar correspondiente sigue una distribución t con el grado de libertad que es igual al grado de libertad del modelo, que es el número total de observaciones menos el número de parámetros. Por lo tanto, el intervalo de confianza para las medias de LS tiene la fórmula que mencioné.
Ahora explico por qué los errores estándar son los mismos. Esto se debe a las características de los datos. Los datos que estoy dando aquí son de un diseño balanceado, o igual número de observaciones en diferentes niveles en otra palabra. Intente eliminar un par de filas de un nivel y debería ver errores estándar desiguales.
Su último análisis es más complejo e involucra efectos aleatorios. Pero el principio de la explicación todavía se aplica.
------------
La publicación se actualiza con una corrección al vector x para LS Mean of B.
Hola peng_liu,
Gracias por su respuesta. He publicado mis capturas de pantalla aquí. Tengo dos grupos de sujetos: SCD y no SCD, clasificados como Diagnóstico. Tengo 15 sujetos en cada grupo, así que tengo 30 sujetos en total. Para cada tema, tengo 3 observaciones clasificadas por Tareas. En la tabla, la identificación del sujeto es Acrostic.
Construyo un modelo mixto con estos efectos y una covariable (Baseline BRSv)
∆PPGa = Acróstico[Aleatorio] + Tareas + Diagnóstico + Diagnóstico*Tareas + Línea base BRSv.
Quiero trazar la media de ∆PPGa +- Error estándar para cada combinación para cada combinación de Tareas, Diagnóstico después de ajustar la línea de base BRSv.
Pensé que la trama media de LS de Diagnóstico * Tareas debe ser lo que quiero; sin embargo, No entiendo por qué error estándar es el mismo para cada combinación (es decir, en la tabla media de LS de Tareas*Diagnóstico, todos los errores estándar = 0,0417) .
Aunque ha señalado que la gráfica media de LS no es con error estándar,
¿puedes ayudarme a entender?
>cómo Error estándar se calcula antes de entrar en LSmean +/- T Cuantil (.975, df) * Std Err.
Mi El informe de correlación de estimaciones está un poco desordenado, pero es la segunda página de mi archivo adjunto.
Gracias por tu tiempo,
Estoy tratando de generar una gráfica de mi resultado (∆PPGa) en cada categoría,
¿Está tratando de calcular el error estándar de y = 0.229-0.072+0.0662?
Entonces ninguno de los números en tu captura de pantalla te da eso. Esas medias son marginales, por ejemplo, la media de N-back es simplemente la media de su Y de todas las observaciones cuya Tarea = N-back, independientemente de cuál sea el Diagnóstico.
Para encontrar el error estándar de su predicción, pruebe Estimaciones > Prueba personalizada.
