お問い合わせ - 安定性研究に関するご質問 - 劣化データ分析私は JMP 17 のユーザーで、現在安定性研究 - 劣化データ分析に取り組んでいます。
いくつか問い合わせがあり、サポートを提供したいと考えています。
モデル 1 ～ 4 の単純な線形パスの結果を確認すると、次のことに気づきました。
- モデル 1 では、JMP 推定は、切片と月の項を除いた ANCOVA モデルを表示します。
(SAS: Model Y = B + A*B / Noint SS1 ソリューションで「glm - model - noint オプションを使用し、A の主効果を除く」を使用するのと同様です)。 
- モデル 2 では、結果は切片を除いて ANCOVA モデルと同じです。 (キャプチャファイルが存在しません)
これを念頭に置いて、ANCOVA モデルの各バッチの切片と傾きの p 値を各モデルごとに計算する方法を知りたいと思います。 さらに、JMP が提供できる関連参考文献やリソースがあればお願いします。
可能であれば、以下の質問にご回答いただければ幸いです。
- ANCOVA モデルの各バッチの切片と傾きの p 値を計算する方法は何ですか?
関連する参考文献やリソースを提供していただけますか? - ANCOVA で有意な交互作用がある場合の主効果の削除についても質問があります。
このような場合、主効果を削除すべきではないことを理解しました。 これに関する適切な参考文献はありますか?
私の質問にご注意いただきありがとうございます。 さらにご質問がある場合、または追加情報が必要な場合は、お気軽にお知らせください。 すてきな一日を。
高度な統計モデリング品質およびプロセスエンジニアリングウィンドウズRe: お問い合わせ - 安定性研究に関する質問 - 劣化データ解析やあ@CovariateIguana ：良い質問ですね。 最初から、JMP フィットモデル (または安定性) の結果と SAS proc GLM の結果を慎重に比較する必要があります。 これらは異なるモデルのパラメータ化を使用するため、直接比較する場合は注意が必要です。 詳細については、このリンクを参照してください。
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/nominal-factors.shtml#ww65535
そうは言っても...モデル 1 では JMP はいいえ「切片と月の項を除いた ANCOVA モデル」を使用します。 JMP は完全なモデル (各主効果と交互作用、切片付き) を使用しています。 そして、モデルがパラメータ化される方法(JMPとSAS)が異なるため、(あなたが説明したように)SASと同じように見えます。つまり、 SAS proc GLM「Model Y = B + A*B / Noint SS1 solution」は、JMP と SAS がモデルをパラメータ化する方法が異なる場合でも、出力を同じに見せる方法です。SAS で完全なモデルを実行し、JMP で完全なモデルを実行すると、パラメータは大きく異なって見えます...しかし、「パラメータ推定値」を直接比較することはできません。 SAS は、JMP の Fit Model プラットフォームのオプションの出力である「インジケーター関数パラメーター化」を使用します。 SAS proc GLM の完全なモデルを使用すると、Estimate ステートメントを使用して JMP と同じ結果を得ることができます。 そして、この点が分からなくなった場合に備えて。 JMP Fit Model の結果 (フルモデル) は JMP Stability の結果と同等であり、両方とも SAS proc GLM の結果 (フルモデル) と同等です。 しかし...これが重要な点です。出力に示されているパラメータ (JMP フィットモデル、JMP 安定性、SAS proc GLM) は同じものの推定値ではありません。 したがって、それぞれの p 値は同じ仮説を検定していません。 これは、安定性データを取得して JMP Fit Model (フルモデル) で実行し、「パラメーター推定」の推定値と「インジケーター関数のパラメーター化」の推定値 (SAS proc GLM フルモデルが生成するもの) を比較することで確認できます。 。 そして、それらの両方を JMP 安定性出力と比較してください。 それらはすべて互いに異なって見えますが、異なるものを推定しています。 さらに、これら 3 つのパラメータ セットはそれぞれ、他のパラメータのいずれかから派生できます。 したがって、その意味では同等です。パラメータ推定値 (モデルのフィットによる「パラメータ推定値」と「インジケーター関数のパラメータ化」、および安定性プラットフォーム (表示されている) による「推定」) を確認して (1) 理解していることを確認するために、少し時間を取ってみるとよいでしょう。 (2) それぞれの p 値 (つまり、各帰無仮説が何であるか) を確実に理解できるようにするためです。
そして...p 値は、(帰無仮説のもとで) 分布を持つ推定値/標準誤差に基づいています。帰無仮説が真であると仮定すると (つまり、パラメーター = 0)、p 値 = 2 * Prob(T > |Estimate/Stderr|)。
