Ich erstelle ein gemischtes Methodenmodell für eine kontinuierliche abhängige Variable und
Fit Model(
Y(:usg_dev_data),
Effects(:Phase, :level, :experience),
Random Effects(:Subject ID),
NoBounds(1),
Personality("Mixed Model"),
Run(Repeated Effects Covariance Parameter Estimates(0))
)
während Sie dasselbe in R tun wie
model2 <- lmer(usg_dev_data ~ Phase + Level + Erfahrung + (1 | Subject_ID), data = df)
Ich erhalte sehr unterschiedliche Parameterschätzungen
von R
Feste Effekte: Schätzung Std. Fehler df t-Wert Pr(>|t|) (Achsenabschnitt) 2,40991 0,60584 42,00000 3,978 0,000269 *** PhaseX 1,80972 0,43405 42,00000 4,169 0,000149 *** PhaseY 2,37500 0,35440 42,00000 6,701 3,89e-08 *** NiveauMittlere Karriere -0,13815 0,69689 42,00000 -0,198 0,843818 NiveauSenior -0,07185 0,68069 42,00000 -0,106 0,916436 NiveauAuszubildende -0,48593 0,57934 42,00000 -0,839 0,406355 Erfahrung1 0,57938 0,57071 42,00000 1,015 0,315827 Erfahrung2 0,86185 0,87452 42,00000 0,986 0,330013 Erfahrung3 1,63852 0,63288 42,00000 2,589 0,013169 *
während von JMP
Ich kann nicht feststellen, warum das so unterschiedlich ist?
Hallo @generic_user . Ich bin kein R-Experte, aber ich denke. R verwendet dieselbe Art der Parametrisierung wie SAS proc glm. Wenn das stimmt, sehen sie sehr unterschiedlich aus, aber die getesteten Hypothesen sind auch unterschiedlich. Sie sind also tatsächlich gleichwertig hinsichtlich Vorhersage, Signifikanz usw. Auf den ersten Blick sehen sie jedoch sehr unterschiedlich aus. Suchen Sie in der JMP-Ausgabe nach Indikatorparametern (rotes Dreieckmenü), und diese sollten mit Ihrer R-Ausgabe übereinstimmen (vorausgesetzt, R verwendet dieselbe Faktorreihenfolge wie JMP). Sehen Sie sich die folgenden Links an, um die Unterschiede in der Ausgabe und den getesteten Hypothesen zu verstehen. Und, FWIW, in R haben Sie auch einen anderen df für den Fehler verwendet, sodass sich dies auch auf die p-Werte usw. auswirkt. JMP verwendet die Kenward-Roger-Approximationsmethode erster Ordnung.
https://www.jmp.com/support/help/en/18.0/index.shtml#page/jmp/nominal-factors.shtml#
https://www.jmp.com/support/help/en/18.0/index.shtml#page/jmp/indicator-parameterization-estimates.shtml
Bearbeiten: siehe auch dies. https://cran.r-project.org/web/packages/SASmixed/vignettes/Usinglmer.pdf
ja Dankeschön.
Der Indikatorparameter stimmte mit der R-Ausgabe überein.
