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 JMP informó cuando utilicé el mismo enfoque con el error estándar (es decir, calcular el error estándar de los valores previstos).
En el manual de JMP, se describe que el error estándar de la media LS muestra el error estándar de la media de mínimos cuadrados para cada nivel.
Puedo interpretar esto mal.¿Alguien puede ayudarme a aclarar qué significa esto?
PD. Adjunté mi modelo en la imagen. Para dar un ejemplo de cómo calculo un valor previsto para
Tarea = N-back, Diagnóstico = Sin 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, todavía 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 las "Estimaciones de parámetros" y la "Correlación de estimaciones", la expresión de predicción y las medias LS de X1:
La expresión de predicción da una idea sobre la expresión matemática del modelo, pero no del todo exacta. El modelo se ve así
En el cual, b0 = -28.98792, b1 = -4.949583, b2 = 0.2941667, b3 = 0.286667, del informe 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" provienen de la columna Error estándar en "Estimaciones de parámetros". La matriz "R" es de Correlación de Estimaciones. El producto de "s*R*s" da la matriz de covarianza de estimaciones. El producto de "x*s*R*s*transpose(x)" proporciona 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 os 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 LS y el error estándar correspondiente sigue una distribución t con un grado de libertad 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 provienen de un diseño equilibrado, o en otras palabras, igual número de observaciones en diferentes niveles. Intente eliminar un par de filas de un nivel y debería ver errores estándar desiguales.
Su último análisis es más complejo e implica efectos aleatorios. Pero el principio de la explicación sigue siendo válido.
------------
La publicación se actualiza con una corrección al vector x para la media LS de B.
Hola peng_liu,
Gracias por su respuesta. He publicado mis capturas de pantalla aquí. Tengo dos grupos de temas: SCD y no SCD, clasificados como Diagnóstico. Tengo 15 sujetos en cada grupo, por lo que tengo 30 sujetos en total. Para cada tema, tengo 3 observaciones clasificadas por Tareas. En la tabla, la identificación del sujeto es Acróstico.
Construyo un modelo mixto con estos efectos y una covariable (Baseline BRSv)
∆PPGa = Acróstico[Aleatorio] + Tareas + Diagnóstico + Diagnóstico*Tareas + Línea Base BRSv.
Quiero trazar el error medio ∆PPGa +- Std para cada combinación de tareas, diagnóstico después de ajustar el BRSv inicial.
Pensé que el gráfico de media 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 de media LS de Tareas*Diagnóstico, todos los errores estándar = 0,0417) .
Aunque ha señalado que la gráfica de la media LS no tiene un error estándar,
¿Puedes ayudarme a entender?
>como Error estándar se calcula antes de entrar en LSmedia +/- T Cuantil(.975, gl) * Err estándar.
Mi El informe de correlación de estimaciones es un poco complicado, pero es la segunda página de mi archivo adjunto.
Gracias por tu tiempo,
Estoy intentando generar una gráfica de mi resultado (∆PPGa) en cada categoría,
¿Estás intentando 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, intente Estimaciones > Prueba personalizada.
