Je suis un utilisateur de JMP 17 et je travaille actuellement sur une étude de stabilité - analyse des données de dégradation.
J'ai des questions et j'aimerais demander de l'aide.
Lors de l'examen des résultats du chemin linéaire simple pour le modèle 1 à 4, j'ai remarqué ce qui suit :
- Dans le modèle 1, l'estimation JMP affiche le modèle ANCOVA à l'exclusion des termes d'ordonnée à l'origine et de mois
(similaire à l'utilisation de l'option "glm - modèle - noint et sans effet principal de A" dans SAS : modèle Y = B + A*B / solution Noint SS1). 
- Dans le modèle 2, les résultats sont les mêmes que ceux du modèle ANCOVA à l'exclusion de l'ordonnée à l'origine. (pas de fichier de capture existant)
Dans cet esprit, j'aimerais connaître la méthode de calcul des valeurs p pour l'ordonnée à l'origine et la pente de chaque lot dans le modèle ANCOVA pour chaque modèle respectif. En outre, je vous prie de bien vouloir recevoir toutes les références ou ressources pertinentes que JMP peut fournir.
Si possible, j'apprécierais grandement votre réponse aux questions suivantes :
- Quelle est la méthode de calcul des valeurs p pour l'ordonnée à l'origine et la pente de chaque lot dans le modèle ANCOVA ?
Pourriez-vous s'il vous plaît fournir des références ou des ressources pertinentes? - J'ai également une question concernant la suppression des effets principaux lorsqu'il y a une interaction significative dans ANCOVA.
J'ai compris que dans de tels cas, les principaux effets ne doivent pas être supprimés. Avez-vous des références appropriées pour cela?
Merci de l'attention que vous portez à ma demande. Si vous avez d'autres questions ou avez besoin d'informations supplémentaires, n'hésitez pas à me le faire savoir. Passe une bonne journée.
Salut @CovariateIguana : Bonnes questions. Dès le départ, vous devez être très prudent en comparant les résultats du modèle d'ajustement JMP (ou de stabilité) et les résultats du processus SAS GLM. Ils utilisent différentes paramétrisations de modèles, il faut donc faire attention lors de comparaisons directes. Voir ce lien pour quelques détails.
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/nominal-factors.shtml#ww65535
Cela dit... dans le modèle 1, JMP est pas en utilisant "le modèle ANCOVA excluant les termes d'interception et de mois". JMP utilise le modèle complet (chaque effet principal et interaction, avec interception). Et, cela ressemble à SAS (comme vous le décrivez) en raison des différentes manières (JMP vs SAS) dont les modèles sont paramétrés ; c'est à dire, SAS proc GLM "Modèle Y = B + A*B / Noint SS1 solution" est un moyen de rendre la sortie identique compte tenu des différentes manières dont JMP et SAS paramétrent le modèle.Si vous exécutez le modèle complet dans SAS et le modèle complet dans JMP, les paramètres seront très différents... mais les "estimations de paramètres" ne peuvent pas être comparées directement. SAS utilise le "Paramétrage de la fonction d'indicateur" qui est une sortie facultative dans la plate-forme Fit Model de JMP. En utilisant le modèle complet dans SAS proc GLM, vous pouvez utiliser des instructions d'estimation pour obtenir les mêmes résultats que JMP. Et, au cas où ce point se perdrait ; les résultats du modèle d'ajustement JMP (modèle complet) sont équivalents aux résultats de stabilité JMP, et ils sont tous deux équivalents aux résultats SAS proc GLM (modèle complet). Mais ... et c'est le point clé, les paramètres indiqués dans la sortie (JMP Fit Model vs JMP Stability vs SAS proc GLM) ne sont pas des estimations de la même chose. Et, par conséquent, les valeurs p, respectivement, ne testent pas les mêmes hypothèses. Vous pouvez le voir en prenant vos données de stabilité et en les exécutant via JMP Fit Model (modèle complet) et en comparant les estimations dans "Parameter Estimates" avec les estimations dans "Indicator Function Parameterization" (ce que produirait le modèle complet SAS proc GLM) . Et comparez les deux à la sortie JMP Stability. Ils ont tous l'air différents les uns des autres, mais ils estiment des choses différentes. De plus, chacun de ces trois ensembles de paramètres peut être dérivé de l'un ou l'autre des autres. Donc, en ce sens, ils sont équivalents.Vous voudrez peut-être prendre un peu de temps pour examiner vos estimations de paramètres (dans "Parameter Estimates" et "Indicator Function Parameterization" via Fit Model, et "Estimate" via Stability Platform (comme vous le montrez)) pour vous assurer que vous (1) les comprenez et comment ils sont liés, et pour vous assurer que vous (2) comprenez leurs valeurs p respectives (c'est-à-dire, ce qu'est chaque hypothèse nulle).
Et... les valeurs de p sont basées sur Estimate/Stderr ayant à la distribution (sous l'hypothèse nulle) ; en supposant que l'hypothèse nulle est vraie (c'est-à-dire paramètre = 0), p-value = 2 * Prob(T > |Estimation/Stderr|).
