Creazione di modelli misti lineari utilizzando JMP® Pro 15Usa JMP Pro 15 per gestire effetti casuali e fissi, misure ripetute, coefficienti casuali e componenti di varianza
Guarda come:
- Gestisci effetti casuali e fissi
- Analizza un'ampia varietà di modelli misti lineari in modo semplice ed efficace
- Analizza i progetti di split-plot utilizzando un esempio che studia gli effetti di quattro condizioni di processo sulla resistenza nei wafer
- Comprendere come l'adattamento dei minimi quadrati standard può portare a inferenze errate
- Comprendere quando gli script di modelli misti di JMP Pro 15 sono utili per i progetti a trama divisa
- Analizza le misure ripetute, utilizzando un esempio che tiene conto della correlazione tra le osservazioni, per comprendere efficacemente gli effetti del trattamento
- Considerare e confrontare strutture di covarianza alternative e scegliere l'adattamento migliore
- Eseguire l'analisi della crescita individuale utilizzando coefficienti casuali e un esempio che cerca di determinare se uno qualsiasi dei tre trattamenti ha avuto un effetto su una risposta di crescita
- Eseguire l'analisi dei componenti della varianza utilizzando un esempio di studio del sistema di misurazione
NOTA: le domande e le risposte sono incluse alle 37:52 e alle 53:21.
Risorse:
Usa JMP Pro 15 per gestire effetti casuali e fissi, misure ripetute, coefficienti casuali e componenti di varianza
Modellazione predittiva e apprendimento automaticoRe: Creazione di modelli misti lineari con JMP® Pro 15- Il modello misto fornisce report di inferenza del modello condizionale, inclusi Profiler condizionale e Grafico residuo condizionale. Consente inoltre di aggiungere una struttura di covarianza per tenere conto della variabilità all'interno del soggetto (ad es. RE+AR(1)).
- Corretta. JMP riporta i valori p di Wald per le stime degli effetti casuali.
Re: Creazione di modelli misti lineari con JMP® Pro 15@jiancao Ho davvero apprezzato questo webinar, un paio di domande.
Puoi fornire una breve spiegazione del motivo per cui la personalità del modello misto è migliore dei minimi quadrati standard con REML, anche nei casi in cui producono risultati quasi identici.
Hai detto che sapevi che gli effetti casuali non rappresentavano una parte significativa della varianza perché gli intervalli di confidenza hanno superato lo zero. Presumo che stia dicendo che la componente di varianza è abbastanza vicina a zero da non essere significativa. È un'interpretazione corretta e ci sono altre metriche che comunicano un'idea simile.
