연속 종속 변수에 대한 혼합 방법 모델을 수행 중이며
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))
)
R에서 동일한 작업을 수행하는 동안
model2 <- lmer(usg_dev_data ~ 단계 + 레벨 + 경험 + (1 | Subject_ID), 데이터 = df)
매우 다른 매개변수 추정치를 얻고 있습니다.
R에서
고정 효과: Std를 추정합니다. 오류 df t 값 Pr(>|t|) (절편) 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 *** level중간경력 -0.13815 0.69689 42.00000 - 0.198 0.843818 수준선배 -0.07185 0.68069 42.00000 -0.106 0.916436 수준연습생 -0.48593 0.57934 42.00000 -0.839 0.406355 경험1 0.57938 0.57071 2.00000 1.015 0.315827 경험2 0.86185 0.87452 42.00000 0.986 0.330013 경험3 1.63852 0.63288 42.00000 2.589 0.013169 *
JMP에서
이것이 왜 그렇게 다른지 알 수 없습니까?
안녕하세요 @generic_user . 저는 R 전문가는 아니지만 제 생각에는 그렇습니다. R은 SAS proc glm과 동일한 유형의 매개변수화를 사용합니다. 만약 사실이라면, 그것들은 매우 다르게 보일 것이지만, 테스트되는 가설도 역시 다릅니다. 따라서 그들은 실제로 동일한 wrt 예측, 중요성 등입니다. 그러나 언뜻 보기에는 매우 다르게 보입니다. JMP 출력에서 지표 매개변수(빨간색 삼각형 메뉴)를 찾으면 R 출력과 일치해야 합니다(R이 JMP와 동일한 요소 순서를 사용한다고 가정). 테스트된 결과와 가설의 차이점을 이해하려면 다음 링크를 살펴보세요. 그리고 FWIW, R에서는 오류에 대해 다른 df도 사용하여 p-값 등에 영향을 미칩니다. JMP는 Kenward-Roger 1차 근사법을 사용합니다.
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
편집: 이것도 참조하세요. https://cran.r-project.org/web/packages/SASmixed/vignettes/Usinglmer.pdf
