大家好，
我很難理解 JMP 如何在最小二乘均值表中生成標準錯誤。
我有一個具有兩種效果的模型，即。因素 1（3 個類別）和因素 2（2 個類別）
>> y = 截距 + 因子 1 + 因子 2。
根據 JMP，我可以通過計算預測值的平均值來獲得因子 1 的 LS 平均值。
但是，當我對 Std Error 使用相同的方法（即計算預測值的 Std Error）時，我無法獲得 JMP 報告的 Std Error。
在 JMP 的手冊中，描述了 LS mean 的 Std Error 顯示了每個級別的最小二乘均值的標準誤差。
我可能會錯誤地解釋這個。有人可以幫助澄清這意味著什麼嗎？
附言。我在圖片中附上了我的模型。 舉一個我如何計算預測值的例子
任務 = N-back，診斷 = 非 SCD
我計算出 y = 0.229-0.072+0.0662。
您最近提供的分析與原始帖子中的分析不同。 新的更複雜。 此外，您還沒有找到“參數估計”報告。 我改變我的策略來解釋。
運行以下代碼以獲取示例數據和最小二乘分析。
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 );
這裡是“參數估計”和“估計的相關性”、預測表達式和 X1 的 LS 均值：
預測表達式讓人對模型的數學表達式有所了解，但並不十分準確。 模型看起來像這樣
其中，來自“參數估計值”報告的 b0 = -28.98792、b1 = -4.949583、b2 = 0.2941667、b3 = 0.286667。
通過讓模型中的 X1 = 1、X2 = 0 和 X3 = 0 來計算 A 的 LS 均值。 在下面的代碼中，三個值加上截距形成 x 向量。 每個元素都是您的預測公式（估計的函數）相對於相應參數的偏導數。
以下代碼計算 A 的 LS 平均值的標準誤差。
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”中的值來自“參數估計”中的標準誤差列。 矩陣“R”來自估計的相關性。 “s*R*s”的乘積給出了估計的協方差矩陣。 "x*s*R*s*transpose(x)" 的乘積給出了預測的方差估計。 方差估計的平方根給出標準誤差。
通過使用不同的 x 向量，類似地計算所有其他標準錯誤。 例如對於 B，x = [1 -1 0 0]。
現在我解釋一下情節。 它應該描述估計的 LS 均值及其 95% 置信區間。 理論上，在模型假設下，LS均值估計值與對應的Std Error之比服從t分佈，其自由度等於模型的自由度，即觀察總數減去參數的數量。 因此，LS 均值的置信區間具有我提到的公式。
現在我解釋為什麼標準錯誤是相同的。 這是由於數據中的特徵。 我在這裡提供的數據來自平衡設計，或者換句話說，不同級別的相同數量的觀察。 嘗試從一個級別刪除幾行，您應該會看到不相等的 std 錯誤。
您的最新分析更複雜，涉及隨機效應。 但解釋的原則仍然適用。
------------
該帖子已更新，對 B 的 LS 均值的 x 向量進行了更正。
嗨彭劉，
謝謝您的答复。 我在這裡發布了我的截圖。 我有兩組科目 - SCD 和非 SCD，分類為診斷。 我每組有15個科目，所以我總共有30個科目。 對於每個主題，我有 3 個按任務分類的觀察結果。 在表中，主題 ID 為 Acrostic。
我構建了具有這些效果和一個協變量的混合模型（基線 BRSv）
ΔPPGa = Acrostic[隨機] + 任務 + 診斷 + 診斷 * 任務 + 基線 BRSv。
我想繪製每個任務組合的每個組合的平均 ∆PPGa +- 標準誤差，調整基線 BRSv 後的診斷。
我認為診斷*任務的 LS 平均圖一定是我想要的；但是，我不明白為什麼 Std 錯誤每個組合都相同（即在 Tasks*Diagnosis 的 LS 平均表中，所有 Std Error = 0.0417 ） .
儘管您已經指出 LS 均值圖沒有標準誤差，
你能幫我理解嗎？
>如何標準錯誤在我們進入之前計算LSmean +/- T 分位數(.975, df) * Std Err。
我的估計的相關性報告有點亂，但它是我附件的第二頁。
感謝您的時間，
我正在嘗試在每個類別中生成我的結果圖（ΔPPGa），
您還需要兩塊來重建數字。 它們是 (1) 參數估計報告 (2) 估計的相關性報告。 第一個默認情況下可用。 您需要打開 Estimates > Correlation of Estimates 才能看到第二個。 請在此處發布他們的屏幕截圖，以便我更容易解釋。
除此之外，該圖不是 LSmean +/- Std Err。 它是 LSmean +/- T Quantile(.975, df) * Std Err。 你有多少觀察？
您是否嘗試計算 y = 0.229-0.072+0.0662 的標準誤差？
然後，您的屏幕截圖中的數字都沒有給您。 這些均值是微不足道的，例如 N-back 的均值只是任務 = N-back 的所有觀測值的 Y 的均值，而不管診斷是什麼。
要查找預測的標準錯誤，請嘗試 Estimates > Custom Test。
