Ich bin ein Benutzer von JMP 17 und arbeite derzeit an einer Stabilitätsstudie – Degradationsdatenanalyse.
Ich habe einige Anfragen und möchte Sie um Hilfe bitten.
Bei der Überprüfung der Ergebnisse des einfachen linearen Pfads für die Modelle 1 bis 4 ist mir Folgendes aufgefallen:
- In Modell 1 zeigt die JMP-Schätzung das ANCOVA-Modell ohne die Intercept- und Monatsterme an
(Ähnlich der Verwendung der Option „glm – model – noint“ und ohne Haupteffekt von A in SAS: Modell Y = B + A*B / Noint SS1-Lösung). 
- In Modell 2 sind die Ergebnisse mit Ausnahme des Achsenabschnitts dieselben wie im ANCOVA-Modell. (keine Capture-Datei vorhanden)
Vor diesem Hintergrund würde ich gerne wissen, wie die p-Werte für den Schnittpunkt und die Steigung jeder Charge im ANCOVA-Modell für das jeweilige Modell berechnet werden. Darüber hinaus erbitte ich alle relevanten Referenzen oder Ressourcen, die JMP bereitstellen kann.
Wenn möglich, würde ich mich sehr über Ihre Antwort auf die folgenden Fragen freuen:
- Mit welcher Methode werden die p-Werte für den Achsenabschnitt und die Steigung jeder Charge im ANCOVA-Modell berechnet?
Könnten Sie bitte relevante Referenzen oder Ressourcen bereitstellen? - Ich habe auch eine Frage bezüglich der Entfernung von Haupteffekten, wenn es in ANCOVA eine signifikante Wechselwirkung gibt.
Ich habe verstanden, dass in solchen Fällen die Hauptwirkungen nicht beseitigt werden sollten. Haben Sie hierzu entsprechende Referenzen?
Vielen Dank für Ihre Aufmerksamkeit auf meine Anfrage. Wenn Sie weitere Fragen haben oder zusätzliche Informationen benötigen, können Sie mich gerne kontaktieren. Ich wünsche ihnen einen wunderbaren Tag.
Hallo @CovariateIguana : Gute Fragen. Von Anfang an müssen Sie beim Vergleich der JMP-Fit-Modell- (oder Stabilitäts-)Ergebnisse und der SAS-Proc-GLM-Ergebnisse sehr vorsichtig sein. Da sie unterschiedliche Modellparametrisierungen verwenden, ist bei direkten Vergleichen Vorsicht geboten. Weitere Informationen finden Sie unter diesem Link.
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/nominal-factors.shtml#ww65535
Das heißt ... im Modell 1 ist JMP nicht unter Verwendung des „ANCOVA-Modells unter Ausschluss der Intercept- und Monatsbedingungen“. JMP verwendet das vollständige Modell (jeder Haupteffekt und jede Interaktion, mit Schnittpunkt). Und das sieht genauso aus wie SAS (wie Sie es beschreiben), da die Modelle unterschiedlich parametrisiert werden (JMP vs. SAS). dh, SAS proc GLM „Modell Y = B + A*B / Noint SS1-Lösung“ ist eine Möglichkeit, die Ausgabe angesichts der unterschiedlichen Art und Weise, wie JMP und SAS das Modell parametrisieren, gleich aussehen zu lassen.Wenn Sie das vollständige Modell in SAS und das vollständige Modell in JMP ausführen, sehen die Parameter sehr unterschiedlich aus ... aber die „Parameterschätzungen“ können nicht direkt verglichen werden. SAS verwendet die „Indicator Function Parametrization“, eine optionale Ausgabe in der Fit Model-Plattform von JMP. Wenn Sie das vollständige Modell in SAS proc GLM verwenden, können Sie Estimate-Anweisungen verwenden, um die gleichen Ergebnisse wie JMP zu erzielen. Und für den Fall, dass dieser Punkt verloren geht; Die Ergebnisse des JMP-Anpassungsmodells (vollständiges Modell) entsprechen den JMP-Stabilitätsergebnissen und beide sind äquivalent zu den SAS-proc-GLM-Ergebnissen (vollständiges Modell). Aber ... und das ist der entscheidende Punkt: Die in der Ausgabe gezeigten Parameter (JMP Fit Model vs. JMP Stability vs. SAS proc GLM) sind keine Schätzungen desselben Sachverhalts. Und folglich testen die p-Werte nicht dieselben Hypothesen. Sie können dies erkennen, indem Sie Ihre Stabilitätsdaten durch das JMP Fit Model (vollständiges Modell) laufen lassen und die Schätzungen in „Parameterschätzungen“ mit den Schätzungen in „Indikatorfunktionsparametrisierung“ vergleichen (was das vollständige SAS-Proc-GLM-Modell erzeugen würde). . Und vergleichen Sie beide mit der JMP-Stabilitätsausgabe. Sie sehen alle unterschiedlich aus, schätzen aber unterschiedliche Dinge ein. Darüber hinaus kann jeder dieser drei Parametersätze von jedem der anderen abgeleitet werden. In diesem Sinne sind sie also gleichwertig.Möglicherweise möchten Sie sich etwas Zeit nehmen und sich Ihre Parameterschätzungen ansehen (in „Parameterschätzungen“ und „Indikatorfunktionsparametrisierung“ über „Modell anpassen“ und „Schätzung“ über die Stabilitätsplattform (wie Sie zeigen)), um sicherzustellen, dass Sie (1) sie verstehen und wie sie zusammenhängen, und um sicherzustellen, dass Sie (2) ihre jeweiligen p-Werte verstehen (dh, was jede Nullhypothese ist).
Und ... p-Werte basieren auf Schätzung/Stderr mit at-Verteilung (unter der Nullhypothese); Unter der Annahme, dass die Nullhypothese wahr ist (dh Parameter=0), ist p-Wert = 2 * Prob(T > |Estimate/Stderr|).
