Unterschied in den Risikoverhältnisstatistiken zwischen JMP 15 und JMP 16?OK, ich habe eine Frage an euch!Ich unterrichte Überlebensanalyse und beschäftige mich mit Proportional Hazards Fit und Risk Ratios.In JMP 15 erhalte ich einen Prob>Chisq von <.0001 für meine Risikoverhältnisse (ja, es ist ein seltsamer Datensatz, bei dem die Überlebensunterschiede ziemlich groß sind) mit verständlichen 95 %-Konfidenzgrenzen.Ich bin davon ausgegangen, dass es sich dabei um einen Test handelt, bei dem das Risikoverhältnis nicht wesentlich von einem Wert von eins abweicht.(Könnte dort falsch sein.) Wenn ich in JMP 16 jedoch genau dieselben Daten auswerte, erhalte ich einen Prob>Chisq von 0,9987 und Null für das untere 95 %-KI und nichts für das obere.Kann jemand erklären, was hier vor sich geht?
ZuverlässigkeitsanalyseBetreff: Unterschied in den Risikoverhältnisstatistiken zwischen JMP 15 und JMP 16?Markieren,
Vielen Dank, dass Sie sich die Zeit genommen haben, sich das anzusehen.Die Daten selbst sind künstlich und werden zum Unterrichten von Überlebensanalysen verwendet. Daher sollen sie einen signifikanten Unterschied aufweisen (obwohl es sich um einen ziemlich großen Unterschied handelt).Bisher gab es keine Probleme bei der Interpretation der Zahlen.Ich bin mir nicht sicher, wie man dies angesichts der Datenstruktur als nominale logistische Regression behandeln würde.Ich werde die Frage an den technischen Support weiterleiten und sehen, was sie daraus machen können.
Betreff: Unterschied in den Risikoverhältnisstatistiken zwischen JMP 15 und JMP 16?Steve, ich würde diese Anomalie dem technischen Support von JMP melden ( support@jmp.com ). Für mich sieht es nach einem Bug aus. Könnte eine Codeänderung sein, die eine Regression verursacht hat. Normalerweise führen wir Unit-Tests durch, um solche Dinge zu erkennen.
Mir ist aufgefallen, dass das Wald-Chi-Quadrat korrekt berechnet wird, es sich jedoch stark vom Wahrscheinlichkeitsverhältnis-Chi-Quadrat unterscheidet, das ebenfalls korrekt berechnet wird. Mir fällt auch auf, dass Sie in der Antwort eine vollständige Trennung haben, was ein Problemfall sein kann.
Was wäre, wenn Sie es als nominale logistische Regression behandeln würden?
