各位，
在选择多元方差分析后的拟合模型中，我需要指定响应类型（或定义所谓的 M 矩阵）。 其他软件（SPSS、JASP）中标准使用 IDENTITY Response（身份 m 矩阵）。 我想知道是否有更详细的解释来解释其他响应对于解释您的数据意味着什么以及它们何时对哪个假设检验有用。 假设我在调查问卷中有一个由 5 个项目组成的结构，以某种方式捕获信息，如果我使用不同的响应类型，这对于解释该结构意味着什么。
提前致谢，
雷内
亲爱的利维，
感谢您的关注和支持。 在将此请求放到网上之前，我已经阅读了此信息。 我了解其背后的技术。 但这是我正在寻找的响应类型的解释。 我习惯在 SPSS 中定义、解释和使用对比。 偏差看起来有点像 JMP Manova 中的平均响应类型。 但是，我不熟悉 JMP 中提供的多元响应类型的解释。 当我在互联网上搜索时，我找不到这个问题的答案。 我希望我能说清楚，再次感谢您的回复。
雷内
嗨雷内，
M 矩阵允许您测试不同响应参数之间的假设，这些参数显示在 JMP 的默认 MANOVA 报告中。
为了与您提出的示例（即调查中的项目）相关，我使用下面的示例数据表“Online Consumer Data.jmp”来运行一个相对简单的多元方差分析模型。 在这里，我们的结果是 3 个项目，代表对在线网站感知声誉的调查的响应，我们只是想测试“女性”变量的效果。 请随意运行此 JSL 脚本以进行后续操作：
dt = Open("$SAMPLE_DATA\Online Consumer Data.jmp");
dt << Fit Model(
Y( :Reput_1, :Reput_2, :Reput_3 ),
Effects( :Female ),
Personality( "Manova" ),
Run
);
默认报告显示模型的参数估计矩阵：
您现在可以使用“选择响应”下拉列表开始测试这些响应参数之间的假设。 当 M 是单位矩阵时，我们只需保持此参数估计矩阵的响应列不变，然后我们问“女性在这个多元系统中总体上是否有影响？” 答案是肯定的：
请注意，打开“M 变换参数估计”轮廓框将显示未更改的参数估计（从技术上讲，M 矩阵后乘 Parm Est 矩阵，因此这就是获得变换估计的方式）。 对于额外的解释，我们会说“是的，我们的回答中男性和女性之间存在显着差异”，并且查看估计值和/或最小二乘均值图可以帮助更多地解释这些结果。 但有时这还不够详细，因此有人可能想知道女性是否对特定领域有影响组合Parm Est 矩阵中的列数。 假设我们想知道所有响应的总和是否有影响。 为此，我们在“选择响应”下拉列表下选择“求和”，我们可以再次看到答案是肯定的，效果显着：
这里的解释要容易得多，因为 Female 有 2 个级别，并且“Sum”选项导致我们的 Parm Est 矩阵减少为一个向量。 因此我们可以说“从我们 3 个项目的感知声誉总和来看，男性和女性之间存在显着差异。 女性[0]的负估计表明男性在这些反应中的总和较低。”
对这些数据使用 M 的其他选择可能没有任何意义...例如，“配置文件”选项可能对于代表重复测量的结果最有用。 如果您将鼠标悬停在“个人资料”选项上，您会找到此描述
在我们的示例中，这表明我们要询问“女性”在第 1 项和第 2 项以及第 2 项和第 3 项之间的差异中是否存在影响。 我认为这对这些数据没有多大意义，但如果数据是重复测量的，则此选项将测试时间差异“男性和女性在一次又一次的情况下是否存在差异？”
如您所知，输出中还有其他 M 选项...通过查看矩阵和转换后的 Parm Est，您将能够看到正在测试的假设。
最后，我要补充一点，测试的 DF 揭示了您从测试中获得的“细节”程度。 使用“Sum”选项，我们能够非常具体地解释我们的解释，这并不奇怪，因为 DF = 1。 “身份”选项为我们提供了 3 DF 测试，这意味着我们知道存在差异，但这些差异存在于我们的响应中的“某处”。
哈特哈，
~劳拉·CS
哦！ 我要补充的是，如果您有您所描述的调查数据，结构方程模型平台可能会特别有用，因为它可以直接对您的构造进行建模并考虑模型中的测量误差。
