测试两个预测（通过多元回归模型）是否存在显著差异我正在研究 JMP 16 中的多元线性回归模型，该模型尝试根据以下内容预测中风患者的临床结果（以称为“出院 mRS ”的数值量表的形式）：
- 1 个连续预测指标（入院时 NIHSS ，即入院时中风严重程度的测量指标）
- 1 个分类预测因子（ EVT 时机，即中风患者可能接受的治疗），可以是以下 3 个值中的任意一个：
- 1 = 抵达医院后立即实施 EVT（治疗）
- 2 = EVT 延迟实施
- 0 =未实施 EVT
- 交互项（入院时 NIHSS * EVT 时间）
该模型目前在 JMP 中的样子如下：
我的问题是:
对于入院时任何一个给定的 NIHSS值，我想计算预测的平均结果（基于该模型）在患者立即接受 EVT （即EVT 时间 = 1 ）与不接受 EVT （即EVT 时间 = 0 ）之间是否会有显著差异（具有 p 值） - 也就是说，在分类预测因子的两个不同值之间。
有没有方法可以在 JMP 中进行这种分析？
（从概念上讲，我的目标是能够以临床上有用的方式利用该模型中的 2 个预测因子，例如希望该模型可以帮助我们决定哪些患者（在本例中，根据中风的严重程度）应该接受治疗或不应该接受治疗，并预测该治疗的结果。）
感谢您的帮助！
基础数据分析与建模视窗回复：测试两个预测（通过多元回归模型）是否存在显着差异嗨@MRB3855 ，
非常感谢！我认为它有效。显然我没有（不知道如何）亲自进行数学运算来确认测试的输出，但自定义测试的预测值现在与我的模型相匹配，并且测试输出是有意义的。
非常感谢您的帮助！
回复：测试两个预测（通过多元回归模型）是否存在显着差异嗨@broccoli ：抱歉，我犯了一个错误。请参阅下文，了解在时间=24 时的预测（针对我的数据）。对于交互项，您需要输入（入院时的 NIHSS - 14.7059）。因此，如果您想在入院时预测 NIHSS=20，则必须在那里输入 20-14.7059 = 5.2941 进行交互。
对于未列出的批次（我有四个批次），必须按如下方式参数化。
我知道这看起来很奇怪；这是因为 JMP 参数化模型的方式。
https://www.jmp.com/support/help/en/18.0/index.shtml#page/jmp/nominal-factors.shtml#
而且，对比不可测试是指输出底部的平方和提供了所有对比（列）的组合测试。在这种情况下，它毫无意义，因为对比不是正交的（非正式地，这可以被认为是独立的）。然而，对三个对比中的每一个的测试都是有效和正确的。
有关正交性的更多信息，请参见此处。 https://stats.stackexchange.com/questions/171324/what-is-the-relationship-between-orthogonal-correlation-and-independence
回复：测试两个预测（通过多元回归模型）是否存在显着差异你好@broccoli你忘了截距（在前两列中输入 1）。
你确定入院时的 NIHSS 评分无关紧要吗？
编辑：嗯，当存在涉及协变量的交互项时，我不太确定它是否按我预期的方式工作。
敬请关注。
回复：测试两个预测（通过多元回归模型）是否存在显着差异你好@MRB3855 ，我尝试为此目的设置自定义测试，但似乎做错了。
例如，在下图中，我尝试比较EVT Timing = 0 （在第 1 列）与EVT Timing = 1 （在第 2 列），以及入院时的 NIHSS = 0 。
测试输出前两列“值”行中列出的数字（ 1.467和2.100 ）不等于我的模型在这两种条件下预测的值（分别为0.0563和3.568 - 请参阅下面的预测分析器）。
类似地，当我尝试使用NIHSS 在入院时 = 20重复此自定义测试（如下）时，输出的值的前两列（ 2.329和2.962 ）再次与我的模型的预测不匹配（分别为5.105和5.089 ）。
我在这里遗漏了什么？显然，这是至关重要的，因为测试“结果” - 如果我理解正确的话，应该列在输出的第 3 列中（值预测的差异、标准误差、 t 比率、 p 值和SS ） - 似乎完全相同，无论我在入院时将 NIHSS设置为什么（绝对不应该如此）。
很抱歉给您带来麻烦，再次感谢！
附言：另外，“警告：不可测试的对比度”是什么意思？
回复：测试两个预测（通过多元回归模型）是否存在显着差异你好@broccoli ：是的，可以这样做。单击输出顶部的红色三角形，然后选择“估计/自定义测试”（下图所示）。这是一个例子。
自定义测试的示例 (jmp.com)
不过这可能有点棘手...先看一看，如果需要帮助再回来。您需要添加两列。然后将 1 用作感兴趣的 EVT 时间（和交互作用），并为前两列选择您感兴趣的入院时 NIHSS 值。然后第三列是前两行之间的差值。
以下是一个示例，比较了时间 = 3.14 时批次 1_11（第一列 101.2）和时间 = 3.14 时批次 3_13（第二列 101.4）的预测。第三列是预测差异（-0.202，p 值为 0.6758）。
