750016_zh-TW

liliconcom

JMP 和 R 輸出的差異

我正在為連續因變量做混合方法模型並且

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 中做同樣的事情

model2 <- lmer(usg_dev_data ~ 階段 + 等級 + 經驗 + (1 | subject_ID), data = df)

我得到了非常不同的參數估計

從R

固定效應：估計標準。誤差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 *** 職業生涯中期-0.13815 0.69689 42.00000 - 0.198 0.843818 高级 -0.07185 0.68069 42.00000 -0.106 0.916436 实习生 -0.48593 0.57934 42.00000 -0.839 0.406355 经验1 0.57938 0.57071 4 2.00000 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 *

而來自 JMP

我無法確定為什麼會有如此不同？

進階統計建模回覆：JMP 和 R 輸出的差別

嗨@generic_user 。我不是 R 專家，但我認為。 R 使用與 SAS proc glm 相同類型的參數化。如果屬實，它們看起來會非常不同，但所檢驗的假設也不同。因此，它們實際上在預測、重要性等方面是等價的。在 JMP 輸出中，尋找應與 R 輸出相符的指標參數（紅色小三角選單）（假設 R 使用與 JMP 相同的因子排序）。請查看以下鏈接，以了解輸出和測試假設的差異。而且，FWIW，在 R 中，您還使用了不同的 df 來處理錯誤，因此這也會影響 p 值等。 JMP 使用Kenward-Roger 一階近似方法。

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

編輯：也請參閱此。 https://cran.r-project.org/web/packages/SASmixed/vignettes/Usinglmer.pdf

回覆：JMP 和 R 輸出的差別

是的，謝謝。

指標參數與R輸出相符。