JMP 中最小二乘线性回归斜率差异的样本量计算？我对样本大小计算感兴趣，以检测两个最小二乘线性回归斜率的差异。我想检测斜率之间 10% 的差异。将有四个时间点。对于两个斜率，我在每个时间点需要多少次重复。JMP 有办法做到这一点吗？如果没有的话有公式吗？
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？JMP 以非常巧妙的方式在 DOE 中进行功率分析。 我没有说明显的方法。
功效分析需要指定最小效应大小。 DOE 的目的是提供拟合特定模型的最佳数据。 功效与模型中的系数有关，并测试它们相对于参数为零的原假设的显着性。 这意味着我们用系数来指定我们的最小影响。
好的，JMP 使用编码因子水平。 这一事实意味着，诸如 pH 从 6.5 到 7.5 的实际因素、10 到 20 分钟的时间或 25 到 35 摄氏度的温度等实际因素都已居中并缩放，现在它们的范围都在 -1 到 +1 之间。 如果您使用 JMP 设计实验，则此转换是内部转换，并且会在回归分析中自动执行。 您不需要手动执行此转换。 假设您需要找到一个实际效果，即当温度从 25 摄氏度变为 35 摄氏度时，响应产量从 40 变为 80 的最小变化。 这意味着预期系数将为 (80-40) / (35-25) = 4。 可是等等！ 使用编码级别的预期系数将为 (80-40) / (1-(-1)) = 20。 非常不一样！ 因此，了解必须找到的最小更改以及 JMP 使用编码级别非常重要。
JMP 编码因子水平的方式还意味着交互项的系数是两个斜率之间最小差值的一半。
如果我的模型的 A 级和 B 级的斜率均为 10（无交互作用），则斜率没有差异。 如果我的模型的斜率为 10，A 的交互系数为 -5，则 A 的斜率为 10 + (-5) = 5，B 的斜率为 10 + (+5) = 15。 效应检验报告中的假设检验将帮助您确定交互效应的估计系数是否显着。 功率分析与该决定相关。
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？嗨马克，
我不太清楚倒数第二句话的意思，“这个值是连续因子全部效应的一半（最高因子水平和最低水平的响应之间的差异）..” 是斜率最陡的线的终点值和起始值之差吗？ 或者两个斜率之间的平均值？
谢谢，
蒂姆·福赛斯
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？最简单的方法是设计实验（选择 DOE > 自定义设计）并使用内置的功效分析。
如果您坚持使用四个级别的连续因子（时间），请选择“添加因子”>“离散数值”。 （不要删除模型中时间的高阶项。）一阶模型（即直线响应）的最佳设计仅需要两个水平。 另一个因素应该是有两个级别（例如 A 和 B）的分类因素，以便进行比较。
将交互项添加到模型中。 该术语是测试的基础：如果组之间（A 组与 B 组）之间的斜率存在差异，则将存在显着的交互作用。
选择您认为足以达到所需功率的运行次数，然后估计功率。 您必须输入检验的显着性水平、响应的标准差以及交互作用项的预期系数。 该值是连续因子全部效应的一半（最高因子水平和最低水平的响应之间的差异）。 它是一个绝对值，因此您必须将相对效应大小（即 10%）转换为实际差异。
如果电量充足，就完成了。 单击“制作表格”并收集您的数据。 当您拥有所有数据时，模型表脚本将开始分析。
如果功率不是您想要的，则调整运行次数。 添加运行次数以增加功率，如果功率太高且不经济，则减少运行次数。
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？
@timothy_forsyth写道：
我对样本大小计算感兴趣，以检测两个最小二乘线性回归斜率的差异。我想检测斜率之间 10% 的差异。将有四个时间点。对于两个斜率，我在每个时间点需要多少次重复。JMP 有办法做到这一点吗？如果没有的话有公式吗？
正确的标题是“JMP 中最小二乘线性回归斜率差异的样本量计算”。
