大家好，
我很难理解 JMP 如何在最小二乘均值表中生成标准误差。
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，当我使用与标准误差相同的方法（即计算预测值的标准误差）时，我无法获得 JMP 报告的标准误差。
在JMP的手册中，描述了LS平均值的Std Error显示每个水平的最小二乘均值的标准误差。
我可能会错误地解释这一点。有人可以帮助澄清这意味着什么吗？
附：我在图片中附上了我的模型。 举一个例子来说明我如何计算预测值
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。 新的更加复杂。 此外，您还没有找到“参数估计”报告。 我改变策略来解释。
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“估计相关性”、预测表达式和 X1 的 LS 均值：
预测表达式让人对模型的数学表达式有一些了解，但并不十分准确。 模型看起来像这样
其中，b0 = -28.98792，b1 = -4.949583，b2 = 0.2941667，b3 = 0.286667，来自参数估计报告。
A 的 LS 平均值是通过让模型中的 X1 = 1、X2 = 0 和 X3 = 0 来计算的。 在下面的代码中，三个值加上截距形成 x 向量。 每个元素都是预测公式（估计函数）相对于相应参数的偏导数。
以下代码计算 A 的 LS 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。
所有其他标准误差均通过使用不同的 x 向量以类似方式计算。 例如对于 B，x = [1 -1 0 0]。
现在我解释一下剧情。 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 均值估计与相应的标准误差之比遵循 t 分布，其自由度等于模型的自由度，即观测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。 这是由于数据的特征造成的。 我在这里给出的数据来自平衡设计，或者换句话说，来自不同级别的相同数量的观察。 尝试从一个级别删除几行，您应该看到不相等的标准错误。
您最新的分析更加复杂并且涉及随机效应。 但解释的原则仍然适用。
------------
该帖子已更新，修正了 B 的 LS 均值的 x 向量。
嗨彭刘，
感谢您的答复。 我已经在这里发布了我的屏幕截图。 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 是 Acrostic。
我构建了具有这些效应和一个协变量的混合模型（基线 BRSv）
ΔPPGa = 离合诗[随机] + 任务 + 诊断 + 诊断*任务 + 基线 BRSv。
我想绘制每个任务组合的平均 ΔPPGa +- 标准误差，调整基线 BRSv 后的诊断。
我认为诊断*任务的 LS 均值图一定是我想要的；但是，我不明白为什么标准错误每个组合都是相同的（即，在任务 * 诊断的 LS 均值表中，所有标准误差 = 0.0417 ） 。
尽管您已经指出 LS 均值图不包含标准误差，
你能帮我理解吗？
>如何标准误差在我们进入之前计算LSmean +/- T 分位数(.975, df) * 标准误差。
我的估计报告的相关性有点乱，但这是我附件的第二页。
感谢您的时间，
我正在尝试生成每个类别的结果（ΔPPGa）图，
您还需要两块来重建数字。 它们是 (1) 参数估计报告 (2) 估计相关性报告。 第一个默认可用。 您需要打开“估计”>“估计的相关性”才能看到第二个。 请在这里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 分位数(.975, df) * Std Err。 你有多少观察结果？
您是否要计算 y = 0.229-0.072+0.0662 的标准误差？
那么你的屏幕截图中的数字都无法告诉你这一点。 这些平均值是边际的，例如，N-back 的平均值只是任务 = N-back 的所有观察值的 Y 平均值，无论诊断是什么。
要查找预测的标准错误，请尝试“估计”>“自定义测试”。
