大家好，
我很难理解 JMP 如何在最小二乘均值表中生成标准错误。
我有一个具有两种效果的模型，即。因素 1（3 个类别）和因素 2（2 个类别）
>> y = 截距 + 因子 1 + 因子 2。
根据 JMP，我可以通过计算预测值的平均值来获得因子 1 的 LS 平均值。
但是，当我对 Std Error 使用相同的方法（即计算预测值的 Std Error）时，我无法获得 JMP 报告的 Std Error。
在 JMP 的手册中，描述了 LS mean 的 Std Error 显示了每个级别的最小二乘均值的标准误差。
我可能会错误地解释这个。有人可以帮助澄清这意味着什么吗？
附言。我在图片中附上了我的模型。 举一个我如何计算预测值的例子
任务 = N-back，诊断 = 非 SCD
我计算出 y = 0.229-0.072+0.0662。
您最近提供的分析与您原始帖子中的分析不同。 新的更复杂。 此外，您还没有找到“参数估计”报告。 我改变我的策略来解释。
运行以下代码以获取示例数据和最小二乘分析。
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 );
这里是“参数估计”和“估计的相关性”、预测表达式和 X1 的 LS 均值：
预测表达式给出了关于模型的数学表达式的一些想法，但并不十分准确。 模型看起来像这样
其中，来自“参数估计值”报告的 b0 = -28.98792、b1 = -4.949583、b2 = 0.2941667、b3 = 0.286667。
通过让模型中的 X1 = 1、X2 = 0 和 X3 = 0 来计算 A 的 LS 均值。 在下面的代码中，三个值加上截距形成 x 向量。 每个元素都是您的预测公式（估计的函数）相对于相应参数的偏导数。
以下代码计算 A 的 LS 平均值的标准误差。
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));
“s”中的值来自“参数估计”中的标准误差列。 矩阵“R”来自估计的相关性。 “s*R*s”的乘积给出了估计的协方差矩阵。 "x*s*R*s*transpose(x)" 的乘积给出了预测的方差估计。 方差估计的平方根给出标准误差。
通过使用不同的 x 向量，类似地计算所有其他标准错误。 例如对于 B，x = [1 -1 0 0]。
现在我解释一下情节。 它应该描述估计的 LS 均值及其 95% 置信区间。 理论上，在模型假设下，LS均值估计值与对应的Std Error之比服从t分布，其自由度等于模型的自由度，即观察总数减去参数的数量。 因此，LS 均值的置信区间具有我提到的公式。
现在我解释为什么标准错误是相同的。 这是由于数据中的特征。 我在这里提供的数据来自平衡设计，或者换句话说，不同级别的相同数量的观察。 尝试从一个级别删除几行，您应该会看到不相等的 std 错误。
您最近的分析更复杂，涉及随机效应。 但解释的原则仍然适用。
------------
该帖子已更新，对 B 的 LS 均值的 x 向量进行了更正。
嗨彭刘，
谢谢您的答复。 我在这里发布了我的截图。 我有两组科目 - SCD 和非 SCD，分类为诊断。 我每组有15个科目，所以我总共有30个科目。 对于每个主题，我有 3 个按任务分类的观察结果。 在表中，主题 ID 为 Acrostic。
我构建了具有这些效果和一个协变量的混合模型（基线 BRSv）
∆PPGa = Acrostic[随机] + 任务 + 诊断 + 诊断 * 任务 + 基线 BRSv。
我想绘制每个任务组合的每个组合的平均 ∆PPGa +- 标准误差，调整基线 BRSv 后的诊断。
我认为诊断*任务的 LS 平均图一定是我想要的；但是，我不明白为什么 Std 错误每个组合都相同（即在 Tasks*Diagnosis 的 LS 平均表中，所有 Std Error = 0.0417 ） .
尽管您已经指出 LS 均值图没有标准误差，
你能帮我理解吗？
>如何标准错误在我们进入之前计算LSmean +/- T 分位数(.975, df) * Std Err。
我的估计的相关性报告有点乱，但它是我附件的第二页。
感谢您的时间，
我正在尝试在每个类别中生成我的结果图（ΔPPGa），
您还需要两块来重建数字。 它们是 (1) 参数估计报告 (2) 估计的相关性报告。 第一个默认情况下可用。 您需要打开 Estimates > Correlation of Estimates 才能看到第二个。 请在此处发布他们的屏幕截图，以便我更容易解释。
除此之外，该图不是 LSmean +/- Std Err。 它是 LSmean +/- T Quantile(.975, df) * Std Err。 你有多少观察？
您是否尝试计算 y = 0.229-0.072+0.0662 的标准误差？
然后，您的屏幕截图中的数字都没有给您。 这些均值是微不足道的，例如 N-back 的均值只是任务 = N-back 的所有观测值的 Y 的均值，而不管诊断是什么。
要查找预测的标准错误，请尝试 Estimates > Custom Test。
