750016_zh-CN

liliconcom

JMP 和 R 输出的差异

我正在为连续因变量做混合方法模型，

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))
)

在 R 中执行相同的操作

model2 <- lmer（usg_dev_data〜阶段+级别+经验+（1 | Subject_ID），数据= df）

我得到了非常不同的参数估计值

来自 R

固定效应：估计标准差。误差 df t 值 Pr(>|t|) (截距) 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 *** levelMid career -0.13815 0.69689 42.00000 -0.198 0.843818 levelSenior -0.07185 0.68069 42.00000 -0.106 0.916436 levelTrainee -0.48593 0.57934 42.00000 -0.839 0.406355 经验1 0.57938 0.57071 42.00000 1.015 0.315827 经验2 0.86185 0.87452 42.00000 0.986 0.330013 经验3 1.63852 0.63288 42.00000 2.589 0.013169 *

来自 JMP

我无法确定这为什么会如此不同？

高级统计建模回复：JMP 和 R 输出的区别

你好@generic_user 。我不是 R 专家，但我认为。R 使用与 SAS proc glm 相同类型的参数化。如果属实，它们看起来会非常不同，但所检验的假设也不同。因此，它们在预测、重要性等方面实际上是等价的。然而，乍一看，它们确实看起来非常不同。在 JMP 输出中，查找指示参数（红色三角形菜单），它们应该与您的 R 输出相匹配（假设 R 使用与 JMP 相同的因子排序）。查看以下链接以了解输出和测试假设之间的差异。并且，FWIW，在 R 中，您还使用了不同的 df 来表示错误，因此这也会影响 p 值等。JMP 使用Kenward-Roger 一阶近似法。

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

编辑：也请参阅此内容。https /cran.r-project.org/web/packages/SASmixed/vignettes/Usinglmer.pdf

回复：JMP 和 R 输出的区别

是的，谢谢。

指示器参数与R输出相匹配。