私は連続従属変数の混合法モデルを実行しており、
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))
)
Rで同じことをすると
model2 <- lmer(usg_dev_data ~ フェーズ + レベル + 経験 + (1 | Subject_ID), data = df)
非常に異なるパラメータ推定値が得られています
Rより
固定効果: 推定標準偏差。誤差自由度 t値 Pr(>|t|) (切片) 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 *** level中堅 -0.13815 0.69689 42.00000 -0.198 0.843818 levelシニア -0.07185 0.68069 42.00000 -0.106 0.916436 level研修生-0.48593 0.57934 42.00000 -0.839 0.406355 経験1 0.57938 0.57071 42.00000 1.015 0.315827 経験2 0.86185 0.87452 42.00000 0.986 0.330013 経験3 1.63852 0.63288 42.00000 2.589 0.013169 *
JMPから
なぜこれほど違うのかは分かりません。
こんにちは@generic_user 。私は R の専門家ではありませんが、そうだと思います。R は SAS proc glm と同じタイプのパラメーター化を使用します。本当であれば、それらは非常に異なって見えますが、テストされる仮説も異なります。したがって、予測、有意性などに関して、それらは実際には同等です。ただし、一見すると、それらは非常に異なって見えます。JMP 出力で、インジケーター パラメーター (赤い三角形のメニュー) を探すと、R 出力と一致するはずです (R が JMP と同じ因子順序付けを使用していると仮定)。出力とテストされた仮説の違いを理解するには、次のリンクを参照してください。また、参考までに、R ではエラーに異なる df を使用したため、p 値などにも影響します。JMP は、Kenward-Roger 一次近似法を使用します。
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
編集: こちらもご覧ください。 https://cran.r-project.org/web/packages/SASmixed/vignettes/Usinglmer.pdf
