Nivel: principiante
Si intenta analizar datos reales utilizando dos variables cualitativas y cuantitativas como respuestas, inevitablemente terminará con una "disposición bidireccional repetida e irregular", pero es importante encontrar un libro de texto japonés que aborde este problema. No puedo. Quizás por esta razón, prevalecen en la Web afirmaciones como "el análisis no es posible a menos que las repeticiones sean iguales". La razón de esto es que el método analítico que se basa en gran medida en la descomposición de la suma de cuadrados y utiliza una matriz de diseño X con variables ficticias no es del agrado de los libros de texto de introducción a la estadística. Los usuarios de JMP que utilizan "Fit Model" probablemente hacen sus análisis sin preocuparse de si las repeticiones son iguales o desiguales. Debe saber que cuando intenta encontrar el nivel promedio de una variable cualitativa en "detalles del efecto", se obtienen la "media de mínimos cuadrados" y el "promedio", y existe una discrepancia entre ellos. Sin embargo, ¿es posible explicar claramente la diferencia? Por lo tanto, al mostrar un método de análisis utilizando la función matricial de Excel para datos bidimensionales desiguales repetidos 2 × 3 y compararlo con los resultados del análisis utilizando JMP, profundizaremos nuestra comprensión del principio de cálculo del "ajuste del modelo" para futuras aplicaciones. , presentamos un método de cálculo alternativo a la descomposición de la suma de cuadrados.
Soy usuario desde JMP4 y uso SAS desde antes de JMP. En la empresa para la que trabajaba, impartí educación estadística utilizando varios tipos de JMP y también realicé actividades para difundir JMP dentro de la empresa. Este resultado se ha presentado en las reuniones de la JMPer según corresponda. Después de jubilarme, creé una empresa de consultoría por cuenta propia y sigo trabajando allí. Recientemente, he sentido que la capacidad de analizar estadísticamente datos reales en muchos campos académicos en Japón (excluyendo las estadísticas clínicas) está disminuyendo colectivamente. Para mí, el diseño experimental fue esencial para aprender la teoría estadística y ponerla en práctica. El tema de esta vez era un problema que ya había resuelto, pero cuando releí libros relacionados con el diseño experimental, descubrí que no había ejemplos que utilizaran los principios de cálculo del "ajuste de modelos" de JMP, y descubrí que estaba asombrado por el desfile. de los métodos de análisis tradicionales que estaban obsesionados con la descomposición de la suma de cuadrados, y se convencieron de que esto se debía a la ilusión generalizada de que no era posible analizar datos bidireccionales con irregularidades repetidas.
