Sono un utente di JMP 17 e attualmente sto lavorando a uno studio di stabilità - analisi dei dati di degradazione.
Ho delle domande e vorrei chiedere assistenza.
Durante la revisione dei risultati del percorso lineare semplice per il modello 1~4, ho notato quanto segue:
- Nel Modello 1, la stima JMP mostra il modello ANCOVA escludendo i termini di intercettazione e mese
(simile all'utilizzo dell'opzione "glm - model - noint e senza l'effetto principale di A" in SAS: Model Y = B + A*B / Noint SS1 solution). 
- Nel Modello 2, i risultati sono gli stessi del modello ANCOVA esclusa l'intercettazione. (file di acquisizione non esistente)
Con questo in mente, vorrei conoscere il metodo per calcolare i valori p per l'intercetta e la pendenza di ciascun lotto nel modello ANCOVA per ciascun rispettivo modello. Inoltre, chiedo gentilmente qualsiasi riferimento o risorsa pertinente che JMP può fornire.
Se possibile, apprezzerei molto la tua risposta alle seguenti domande:
- Qual è il metodo per calcolare i valori p per l'intercetta e la pendenza di ciascun lotto nel modello ANCOVA?
Potresti fornire riferimenti o risorse pertinenti? - Ho anche una domanda riguardante la rimozione degli effetti principali quando c'è un'interazione significativa in ANCOVA.
Ho capito che in questi casi gli effetti principali non dovrebbero essere rimossi. Avete riferimenti appropriati per questo?
Grazie per l'attenzione alla mia richiesta. Se hai ulteriori domande o hai bisogno di ulteriori informazioni, non esitare a farmelo sapere. Vi auguro una buona giornata.
CIAO @CovariateIguana : Belle domande. Fin dall'inizio, devi stare molto attento a confrontare i risultati di JMP Fit Model (o Stability) e i risultati di SAS proc GLM. Usano diverse parametrizzazioni del modello, quindi è necessario prestare attenzione quando si effettuano confronti diretti. Vedi questo link per qualche dettaglio.
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/nominal-factors.shtml#ww65535
Detto questo... nel Modello 1 JMP lo è non utilizzando "il modello ANCOVA escludendo l'intercetta e i termini mensili". JMP utilizza il modello completo (ogni effetto principale e interazione, con intercettazione). E sembra uguale a SAS (come descrivi) a causa dei diversi modi (JMP vs SAS) in cui i modelli sono parametrizzati; cioè, SAS proc GLM "Model Y = B + A*B / Noint SS1 solution" è un modo per rendere l'output uguale dato i diversi modi in cui JMP e SAS parametrizzano il modello.Se esegui il modello completo in SAS e il modello completo in JMP, i parametri appariranno molto diversi... ma le "stime dei parametri" non possono essere confrontate direttamente. SAS utilizza la "Parametrizzazione funzione indicatore" che è un output facoltativo nella piattaforma Fit Model di JMP. Utilizzando il modello completo in SAS proc GLM, puoi utilizzare le istruzioni Estimate per ottenere gli stessi risultati di JMP. E, nel caso in cui questo punto si perda; i risultati JMP Fit Model (modello completo) sono equivalenti ai risultati JMP Stability ed entrambi sono equivalenti ai risultati SAS proc GLM (modello completo). Ma... e questo è il punto chiave, i parametri mostrati nell'output (JMP Fit Model vs JMP Stability vs SAS proc GLM) non sono stime della stessa cosa. E, di conseguenza, i valori p, rispettivamente, non stanno testando le stesse ipotesi. Puoi vederlo prendendo i tuoi dati di stabilità ed eseguendoli attraverso JMP Fit Model (modello completo) e confrontando le stime in "Stime dei parametri" con le stime in "Parametrizzazione funzione indicatore" (che è ciò che il modello completo SAS proc GLM produrrebbe) . E confronta entrambi con l'output di JMP Stability. Sembrano tutti diversi l'uno dall'altro, ma stimano cose diverse. Inoltre, ciascuno di questi tre set di parametri può essere derivato da uno degli altri. Quindi, in questo senso, sono equivalenti.Potresti dedicare del tempo a esaminare le stime dei parametri (in "Stime dei parametri" e "Parametrizzazione della funzione dell'indicatore" tramite Fit Model e "Stima" tramite Stability Platform (come mostrato)) per assicurarti di (1) comprenderle e come sono correlati, e per assicurarti di (2) comprendere i rispettivi valori p (ovvero, qual è ciascuna ipotesi nulla).
E... i p-value, sono basati su Estimate/Stderr con distribuzione (sotto l'ipotesi nulla); assumendo che l'ipotesi nulla sia vera (cioè parametro=0), p-value = 2 * Prob(T > |Estimate/Stderr|).
