各位，
在選擇多元方差分析後的擬合模型中，我需要指定響應類型（或定義所謂的 M 矩陣）。 其他軟件（SPSS、JASP）中標準使用 IDENTITY Response（身份 m 矩陣）。 我想知道是否有更詳細的解釋來解釋其他響應對於解釋您的數據意味著什麼以及它們何時對哪個假設檢驗有用。 假設我在調查問卷中有一個由 5 個項目組成的結構，以某種方式捕獲信息，如果我使用不同的響應類型，這對於解釋該結構意味著什麼。
提前致謝，
雷內
親愛的利維，
感謝您的關注和支持。 在將此請求放到網上之前，我已經閱讀了此信息。 我了解其背後的技術。 但這是我正在尋找的響應類型的解釋。 我習慣在 SPSS 中定義、解釋和使用對比。 偏差看起來有點像 JMP Manova 中的平均響應類型。 但是，我不熟悉 JMP 中提供的多元響應類型的解釋。 當我在互聯網上搜索時，我找不到這個問題的答案。 我希望我能說清楚，再次感謝您的回复。
雷內
嗨雷內，
M 矩陣允許您測試不同響應參數之間的假設，這些參數顯示在 JMP 的默認 MANOVA 報告中。
為了與您提出的示例（即調查中的項目）相關，我使用下面的示例數據表“Online Consumer Data.jmp”來運行一個相對簡單的多元方差分析模型。 在這裡，我們的結果是 3 個項目，代表對在線網站感知聲譽的調查的響應，我們只是想測試“女性”變量的效果。 請隨意運行此 JSL 腳本以進行後續操作：
dt = Open("$SAMPLE_DATA\Online Consumer Data.jmp");
dt << Fit Model(
Y( :Reput_1, :Reput_2, :Reput_3 ),
Effects( :Female ),
Personality( "Manova" ),
Run
);
默認報告顯示模型的參數估計矩陣：
您現在可以使用“選擇響應”下拉列表開始測試這些響應參數之間的假設。 當 M 是單位矩陣時，我們只需保持此參數估計矩陣的響應列不變，然後我們問“女性在這個多元系統中總體上是否有影響？” 答案是肯定的：
請注意，打開“M 變換參數估計”輪廓框將顯示未更改的參數估計（從技術上講，M 矩陣後乘 Parm Est 矩陣，因此這就是獲得變換估計的方式）。 對於額外的解釋，我們會說“是的，我們的回答中男性和女性之間存在顯著差異”，並且查看估計值和/或最小二乘均值圖可以幫助更多地解釋這些結果。 但有時這還不夠詳細，因此有人可能想知道女性是否對特定領域有影響組合Parm Est 矩陣中的列數。 假設我們想知道所有響應的總和是否有影響。 為此，我們在“選擇響應”下拉列表下選擇“求和”，我們可以再次看到答案是肯定的，效果顯著：
這裡的解釋要容易得多，因為 Female 有 2 個級別，並且“Sum”選項導致我們的 Parm Est 矩陣減少為一個向量。 因此我們可以說“從我們 3 個項目的感知聲譽總和來看，男性和女性之間存在顯著差異。 女性[0]的負估計表明男性在這些反應中的總和較低。”
對這些數據使用 M 的其他選擇可能沒有任何意義...例如，“配置文件”選項可能對於代表重複測量的結果最有用。 如果您將鼠標懸停在“個人資料”選項上，您會找到此描述
在我們的示例中，這表明我們要詢問“女性”在第 1 項和第 2 項以及第 2 項和第 3 項之間的差異中是否存在影響。 我認為這對這些數據沒有多大意義，但如果數據是重複測量的，則此選項將測試時間差異“男性和女性在一次又一次的情況下是否存在差異？”
如您所知，輸出中還有其他 M 選項...通過查看矩陣和轉換後的 Parm Est，您將能夠看到正在測試的假設。
最後，我要補充一點，測試的 DF 揭示了您從測試中獲得的“細節”程度。 使用“Sum”選項，我們能夠非常具體地解釋我們的解釋，這並不奇怪，因為 DF = 1。 “身份”選項為我們提供了 3 DF 測試，這意味著我們知道存在差異，但這些差異存在於我們的響應中的“某處”。
哈特哈，
~勞拉·CS
哦！ 我要補充的是，如果您有您所描述的調查數據，結構方程模型平台可能會特別有用，因為它可以直接對您的構造進行建模並考慮模型中的測量誤差。
