Salut,
Quelqu'un peut-il partager son point de vue sur l'option Comparer les pentes disponible dans la personnalité Modèle mixte de Ajuster le modèle ? Il semble que le support soit limité à une comparaison de type ANOM. Existe-t-il des moyens d'obtenir des informations sur Fit Mixed si j'étais intéressé par des comparaisons par paires de pentes (Tukey ou Student) ou par une comparaison de la plupart des pentes par rapport à l'une des pentes qui fait office de contrôle (Dunnett) ?
Merci,
Michael
Salut Laura,
Ces informations sont utiles. J'étais encore sur JMP14 EA7 lorsque j'ai écrit mon message original.
Dans ma situation, j'ai vraiment besoin du modèle mixte car j'ai un effet aléatoire qui doit être inclus. Donc, au moment où je le lis, je ne pense pas que les scripts de Julian s'appliquent, même si je pense que ces scripts sont proches de ce que j'aimerais faire.
Merci encore d'avoir ajouté quelque chose pour ce cas en premier lieu. Cela comble une lacune dans ma boîte à outils.
Michael
Salut Michael,
Merci d'avoir essayé notre version JMP 14 Early Adapter.Je ne sais pas quelle version d'EA vous utilisez, mais notre dernière version d'EA (version 8) a également ajouté cette option à Ajuster les moindres carrés et REML au cas où vous seriez intéressé.Nous n'avons ajouté ici que le test de comparaison ANOM pour l'instant.Si vous êtes intéressé, Julian a également créé un complément JMP pour comparer les pentes dans Ajuster les moindres carrés, qui vous offre d'autres options de comparaison.
https://community.jmp.com/t5/JMP-Add-Ins/Compare-Simple-Slopes-in-One-Way-ANCOVA-w-Interaction-add-in/ta-p/23903
Voir également la discussion précédente suivante pour encore plus d'informations :
https://community.jmp.com/t5/Discussions/comparison-of-slopes/mp/18674#M17024
J'espère que ceci est utile.
Laura
Je vais tenter de répondre en premier. J'utilise un tableau à partir des exemples de données.
Open("$SAMPLE_DATA/Growth Measurements.jmp")
Et je vais exécuter ce modèle :
Fit Model(
Y( :Growth ),Effects( :Gender ),Personality( "Mixed Model" ),
Subject( :Subject ),Repeated Effects( :Age ),
Repeated Structure( "Toeplitz Unequal Variances" ),
Run( Random Effects Covariance Parameter Estimates( 0 ) )
)
Dans le menu triangulaire rouge du rapport, j'ai cliqué sur Comparaisons multiples. 
Cette sélection ajoute ceci au bas du rapport :
À partir des estimations des moindres carrés :
Comparez les plages des intervalles de confiance. Notez que l’IC supérieur à 95 % de Sexe=F est
inférieur à l’IC inférieur à 95 % de Sexe = M. Il y a de fortes chances qu'il y ait une différence significative.
À partir du rapport Toutes les différences par paire :
notez que la différence entre Gender=F et Gender=M est =3,07...
La même différence entre l'estimation de F et M dans le rapport ci-dessus
L'hypothèse nulle selon laquelle F et M ne sont pas différents est rejetée. (H; FM=0) Le zéro n'est pas contenu
dans les limites de l'IC à 95 % supérieur et inférieur, nous rejetons donc la valeur nulle. (la différence est significative)
J'adore le nuage de points de comparaison par paires. Regardez les choses de cette façon, si vous tracez une ligne avec une pente de 1 et une ordonnée à l'origine de 0, puis tracez F par rapport à M sur le graphique avec l'intervalle de confiance perpendiculaire à la ligne diagonale, il est facile de voir que la différence entre les deux niveaux sont différents.
Dans cette dernière figure, je compare les volumes de remplissage sur trois lignes. Il est facile de voir où est mon problème. Mon curseur est sur le point rouge du graphique, donc l'étiquette apparaît. Le résultat des effets des comparaisons multiples montre assez facilement que B et C sont probablement différents. Dans le tableau des statistiques, l'intervalle de cette comparaison ne contient pas zéro et la valeur p est surlignée en rouge.
donc, je ne suis pas sûr d'avoir vraiment répondu à votre question, mais c'est ainsi que je l'utilise.
Acclamations,
-B
