Explication pratique des estimations de paramètresJe travaille avec la plateforme Fit Model avec une variable de sortie continue et plusieurs variables d'entrée nominales.
Je comprends que dans le tableau des estimations des paramètres, la valeur T est là pour tester si l'estimation est égale ou non à zéro. D'un point de vue 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 d'estimation des paramètres sont inférieures à l'alpha de 0,05, quelle est la conclusion ça peut être fait ? 1 et 2 sont-ils significativement différents de 3 ?
Je sais déjà grâce aux tests d'effets que cette variable (Cell Lot) contribue de manière significative à la sortie.
Veuillez pardonner la question naïve.
Objet : Explication pratique des estimations de paramètresLa plupart des plateformes proposent des estimations élargies, mais apparemment pas adaptées à votre situation. Peut-être qu’une astuce fonctionnera pour vous obtenir ce dont vous avez besoin.
Supposons que votre variable catégorielle ait les niveaux A, B et C. Lorsque vous ajusterez 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. Remplacez-le par tout ce que vous souhaitez tant que C n'est PAS le dernier élément de la liste. Par exemple, je proposerai C, A et B. Maintenant, réinstallez votre modèle. Vous devriez voir des 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 de JMP pour cette amélioration suggérée et voter pour elle. Si la suggestion n’est pas là, ajoutez-la !
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 Ajuster le modèle.
Objet : Explication pratique des estimations de paramètresDésolé d'avoir déplacé un vieux fil de discussion, mais c'est la seule explication que j'ai vue pour expliquer pourquoi JMP fait cela par défaut.
Laisser de côté le N-ème paramètre car il est possible de calculer l'estimation à partir des précédents semble manquer de vision. Je travaille sur une régression Tobit 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, le ratio T ou Prob > |T| Par ici. Ces mesures ont de la valeur, sinon elles ne seraient pas du tout signalées, et pourtant je n'ai aucun moyen pour que JMP les calcule à ma place 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 relier tous les lots les uns aux autres. 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 considérablement.
Oui, vous pouvez utiliser le p -valeurs comme d'habitude avec l'ajustement approprié.
Objet : Explication pratique des estimations de paramètresMerci beaucoup pour votre 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 p inférieures à alpha indiqueraient-elles une différence significative entre ces deux groupes ?
Objet : Explication pratique des estimations de paramètresVous avez raison. Le Test d'effet est basé sur le 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 test pour chaque terme. Ce test est utile pour la réduction de modèle et l'inférence sur les effets factoriels.
D'un autre côté, 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 nul. (Vous pouvez tester 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 souhaitez 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 autres estimations de paramètres. Vous pouvez activer les estimations étendues dans les préférences de la plateforme si vous le souhaitez.)
L'interprétation de ces tests se limite à un test indépendant versus 0. Votre exemple conclut que les estimations pour les niveaux 1 et 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.
