Soy usuario de JMP 17 y actualmente estoy trabajando en un Estudio de Estabilidad - Análisis de Datos de Degradación.
Tengo algunas consultas y me gustaría contactar para obtener ayuda.
Al revisar los resultados de la ruta lineal simple para el modelo 1~4, noté lo siguiente:
- En el Modelo 1, la estimación JMP muestra el modelo ANCOVA excluyendo los términos de intercepción y mes
(similar a usar la opción "glm - model - noint y sin el efecto principal de A" en SAS: Model Y = B + A*B / Noint SS1 solution). 
- En el Modelo 2, los resultados son los mismos que en el modelo ANCOVA excluyendo el intercepto. (no existe archivo de captura)
Con esto en mente, me gustaría saber el método para calcular los valores p para la intersección y la pendiente de cada lote en el modelo ANCOVA para cada modelo respectivo. Además, solicito amablemente cualquier referencia o recurso relevante que JMP pueda proporcionar.
Si es posible, le agradecería mucho su respuesta a las siguientes preguntas:
- ¿Cuál es el método para calcular los valores p para la intersección y la pendiente de cada lote en el modelo ANCOVA?
¿Podría proporcionar referencias o recursos relevantes? - También tengo una pregunta sobre la eliminación de los efectos principales cuando hay una interacción significativa en ANCOVA.
He entendido que en tales casos, los efectos principales no deben eliminarse. ¿Tiene alguna referencia apropiada para esto?
Gracias por su atención a mi consulta. Si tiene más preguntas o necesita información adicional, no dude en hacérmelo saber. Qué tengas un lindo día.
Hola @CovariateIguana : Buena pregunta. Desde el principio, debe tener mucho cuidado al comparar los resultados de JMP Fit Model (o Stability) con los resultados de SAS proc GLM. Utilizan diferentes parametrizaciones de modelos, por lo que se debe tener cuidado al realizar comparaciones directas. Ver este enlace para algunos detalles.
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/factores-nominales.shtml#ww65535
Dicho esto... en el Modelo 1 JMP es no usando "el modelo ANCOVA excluyendo los términos de intercepto y mes". JMP está utilizando el modelo completo (cada efecto principal e interacción, con intercepción). Y, eso se ve igual que SAS (como usted describe) debido a las diferentes formas (JMP vs SAS) en que se parametrizan los modelos; es decir, SAS proc GLM "Model Y = B + A*B / Noint SS1 solution" es una forma de hacer que la salida tenga el mismo aspecto dadas las diferentes formas en que JMP y SAS parametrizan el modelo.Si ejecuta el modelo completo en SAS y el modelo completo en JMP, los parámetros se verán muy diferentes... pero las "estimaciones de parámetros" no se pueden comparar directamente. SAS utiliza la "Parametrización de la función del indicador" que es una salida opcional en la plataforma Fit Model de JMP. Usando el modelo completo en SAS proc GLM, puede usar declaraciones de estimación para obtener los mismos resultados que JMP. Y, en caso de que este punto se pierda; los resultados de JMP Fit Model (modelo completo) son equivalentes a los resultados de JMP Stability, y ambos son equivalentes a los resultados de SAS proc GLM (modelo completo). Pero... y este es el punto clave, los parámetros que se muestran en la salida (JMP Fit Model vs JMP Stability vs SAS proc GLM) no son estimaciones de lo mismo. Y, en consecuencia, los valores de p, respectivamente, no prueban las mismas hipótesis. Puede ver esto tomando sus datos de estabilidad y ejecutándolos a través de JMP Fit Model (modelo completo) y comparando las estimaciones en "Estimaciones de parámetros" con las estimaciones en "Parametrización de función de indicador" (que es lo que produciría el modelo completo SAS proc GLM) . Y compare ambos con la salida de estabilidad de JMP. Todos se ven diferentes entre sí, pero están estimando cosas diferentes. Y además, cada uno de esos tres conjuntos de parámetros puede derivarse de cualquiera de los otros. Entonces, en ese sentido, son equivalentes.Es posible que desee tomarse un tiempo para observar las estimaciones de sus parámetros (en "Estimaciones de parámetros" y "Parametrización de la función del indicador" a través del modelo de ajuste y "Estimación" a través de la plataforma de estabilidad (como se muestra)) para asegurarse de que (1) las comprende y cómo se relacionan, y para asegurarse de que (2) comprenda sus respectivos valores p (es decir, qué es cada hipótesis nula).
Y... los valores p, se basan en la estimación/Stderr que tiene una distribución (bajo la hipótesis nula); suponiendo que la hipótesis nula es verdadera (es decir, parámetro=0), valor p = 2 * Prob(T > |Estimate/Stderr|).
