Verwenden Sie JMP Pro 15, um zufällige und feste Effekte, Messwiederholungen, zufällige Koeffizienten und Varianzkomponenten zu verarbeiten
Sehen Sie, wie es geht:
- Behandeln Sie zufällige und feste Effekte
- Analysieren Sie einfach und effektiv eine Vielzahl linearer gemischter Modelle
- Analysieren Sie Split-Plot-Designs anhand eines Beispiels, das die Auswirkungen von vier Prozessbedingungen auf den Widerstand in Wafern untersucht
- Verstehen Sie, wie das Anpassen von Standard-Least-Squares zu falschen Schlussfolgerungen führen kann
- Verstehen Sie, wann JMP Pro 15-Scripts für gemischte Modelle für Split-Plot-Designs nützlich sind
- Analysieren Sie wiederholte Messungen anhand eines Beispiels, das die Korrelation zwischen Beobachtungen berücksichtigt, um Behandlungseffekte effektiv zu verstehen
- Betrachten und vergleichen Sie alternative Kovarianzstrukturen und wählen Sie die beste Anpassung aus
- Führen Sie eine individuelle Wachstumsanalyse mit zufälligen Koeffizienten und einem Beispiel durch, das versucht zu bestimmen, ob eine der drei Behandlungen eine Wirkung auf eine Wachstumsreaktion hatte
- Führen Sie eine Varianzkomponentenanalyse anhand eines Beispiels für eine Messsystemstudie durch
HINWEIS: Fragen und Antworten sind zu den Zeiten 37:52 und 53:21 enthalten.
Ressourcen:
@jiancao Ich habe dieses Webinar sehr geschätzt, ein paar Fragen.
Können Sie eine kurze Erklärung geben, warum die gemischte Modellpersönlichkeit besser ist als Standard Least Squares mit REML, selbst in Fällen, in denen sie nahezu identische Ergebnisse liefern.
Sie haben erwähnt, dass Sie wussten, dass die Zufallseffekte keinen signifikanten Teil der Varianz ausmachten, weil die Konfidenzintervalle die Nullmarke überschritten. Ich gehe davon aus, dass die Varianzkomponente nahe genug bei Null liegt, dass sie nicht signifikant ist. Ist das eine korrekte Interpretation, und gibt es andere Metriken, die eine ähnliche Idee vermitteln?
