Explication pratique des estimations de paramètresJe travaille avec la plate-forme Fit Model avec une variable de sortie continue et plusieurs variables d'entrée nominales.
Je comprends que dans le tableau des estimations de paramètres, la valeur T est là pour tester si l'estimation est égale à zéro ou non. En pratique, si j'ai une variable (lot de cellules) avec 3 catégories (1, 2 et 3) et que les deux répertoriées (1 et 2) dans le tableau des estimations des paramètres sont inférieures à l'alpha de 0,05, quelle est la conclusion qui peut être fait? 1 et 2 sont-ils significativement différents de 3 ?
Je sais déjà d'après les tests d'effets que cette variable (Cell Lot) est un contributeur significatif à la sortie.
Veuillez pardonner la question naïve.
Objet : Explication pratique des estimations de paramètresLa plupart des plates-formes offriront les estimations étendues, mais apparemment pas pour votre situation. Peut-être qu'une astuce fonctionnera pour vous procurer ce dont vous avez besoin.
Supposons que votre variable catégorielle a les niveaux A, B et C. Lorsque vous ajustez votre modèle, vous ne verrez pas l'estimation et les tests pour le niveau C, mais vous aurez des tests pour A et B. Maintenant, placez une propriété Value Ordering sur votre variable catégorielle. Changez-le en ce que vous voulez tant que C n'est PAS le dernier élément de la liste. Par exemple, je proposerai C, A et B. Remontez maintenant votre modèle. Vous devriez voir les tests pour C et A, mais pas pour B.
Espérons que cette solution de contournement fonctionnera réellement dans votre situation. Quoi qu'il en soit, vous devriez consulter la liste de souhaits JMP pour cette amélioration suggérée et voter pour elle. Si la suggestion n'y est pas, veuillez l'ajouter !
Objet : Explication pratique des estimations de paramètresVeuillez ignorer la réponse précédente car elle était incorrecte. Je pensais à une autre plate-forme lancée à partir de la boîte de dialogue Fit Model.
Objet : Explication pratique des estimations de paramètresDésolé de remonter un vieux fil, mais c'est la seule explication que j'ai vue pour expliquer pourquoi JMP le fait par défaut.
Laisser de côté le N-ième paramètre parce qu'il est possible de calculer l'estimation à partir des précédents semble à courte vue. Je travaille sur une régression Tobit en utilisant la survie paramétrique et la fenêtre de sortie ne permet pas les "estimations étendues". Comme vous le dites, je peux calculer l'estimation, très bien, mais je ne peux pas estimer le SE, T Ratio ou Prob > |T| Par ici. Ces métriques ont de la valeur, sinon elles ne seraient pas du tout signalées, et pourtant je n'ai aucun moyen de faire en sorte que JMP les calcule pour moi dans cette situation.
Objet : Explication pratique des estimations de paramètresMerci beaucoup!
Objet : Explication pratique des estimations de paramètresOui, la méthode de comparaisons multiples de Tukey serait le meilleur moyen de rapprocher tous les lots. N'utilisez pas la méthode Student t car elle ne s'ajuste pas au nombre de comparaisons, donc votre taux d'erreur de type I sur toutes les comparaisons augmentera beaucoup.
Oui, vous pouvez utiliser le p -valeurs comme d'habitude avec le réglage approprié.
Objet : Explication pratique des estimations de paramètresMerci beaucoup pour ta réponse détaillée Mark.
En guise de suivi, si je voulais savoir si les lots de cellules n ° 1, 2 et 3 étaient significativement différents les uns des autres en utilisant ce modèle. Choisir des comparaisons multiples, puis Tukey ou Student's T (selon ce qui est approprié) serait-il la méthode appropriée? Lorsque je fais cela, je vois un tableau de toutes les différences par paires avec 3 comparaisons entre chaque combinaison possible de deux catégories (1&2, 1&3, 2&3). Dans ce cas, des valeurs de p inférieures à alpha indiqueraient-elles une différence significative entre ces deux groupes ?
Objet : Explication pratique des estimations de paramètresVous avez raison. La Essai d'effet est basé sur la somme des carrés de type III associé à l'ajout d'un terme au modèle. C'est le F test. Tu en as un F tester pour chaque terme. Ce test est utile pour la réduction du modèle et l'inférence sur les effets des facteurs.
D'autre part, le Estimations des paramètres rapporte le t test car il compare l'estimation à la valeur de l'hypothèse nulle, c'est-à-dire que le paramètre est égal à zéro. (Vous pouvez tester par rapport à d'autres hypothèses nulles avec un t test mais JMP ne fournit pas un tel test. Il existe un script à cet effet.) Vous en avez un t test pour chaque estimation.
Si vous voulez voir les résultats du dernier niveau, cliquez sur le triangle rouge en haut à côté de Ajuster les moindres carrés et sélectionnez Estimations > Estimations élargies . (JMP ne signale pas le dernier niveau par défaut car l'estimation du dernier paramètre doit être égal au négatif de la somme des estimations des autres paramètres. Vous pouvez activer les estimations étendues dans les préférences de la plate-forme si vous le souhaitez.)
L'interprétation de ces tests se limite à un test indépendant versus 0. Votre exemple conclut que les estimations pour le niveau 1 et le niveau 2 sont différentes de zéro. C'est tout ce que vous pouvez dire. Ces tests ne comparent pas ces niveaux au dernier niveau. Vous pourriez utiliser un supplément contraste dans ce but.
Vous devez également vous préoccuper du problème des comparaisons multiples du taux d'erreur de type I gonflé avec tous ces tests.
