级别：中级
从 JMP 的“拟合模型”中获得的“最小二乘均值”和“预测曲线”对于显示探索性分析的结果至关重要。然而，它就像一种方言，甚至没有被列入 Takeuchi 等人 (1989) 统计词典的索引中，因此很难解释。最近，我们发现，通过“协方差分析”中的“最小二乘均值”和“预测轮廓”相互补充，可以得到简单明了的解释，其中包括定性因素、定量因素和相互作用。使用的数据是奥野等人（1981）“多元分析方法，修订版”中“包括分层因素的回归分析”的示例（二氧化硫气体回收塔的观测结果，回收液浓度y。 ，清洗水的温度为x，4级运行周期为A)。在原始出版物中，有一张图表在运营期间（一月和二月）与其他时期相比似乎具有不同的斜率。使用包含交互作用的模型，在预测曲线中改变运行季节 A 时跟踪清洁水温度 x 的曲线变化，并比较改变温度 x 时运行季节 A 的平均浓度 y。可以清楚地表明，如果给出 的总平均值，则它与运营季节 A 的最小二乘均值相匹配。
https://www.yukms.com/biostat/takahasi2/rec/009-13.htm
我从 JMP4 开始就是用户，从 JMP 之前就开始使用 SAS。在我原来工作的公司，我利用各种类型的JMP进行了统计教育，并在公司内部开展了JMP的传播活动。我们已在 JMPer 会议上酌情介绍了这一结果。退休后，我成立了一家个体经营的咨询公司并继续在那里工作。最近，我感觉到日本许多学术领域（不包括临床统计学）对真实数据进行统计分析的能力正在集体下降。协方差分析对我来说也是一个既古老又新的主题。有必要认真解决包括交互在内的协方差分析。协方差分析被建立为没有交互作用时的分析模型。认识到还讨论了涉及交互的历史案例，这在解释最小二乘法（SAS 的一种方言）和预测概要文件（JMP 的一种方言）时非常有用，我敏锐地意识到这一点。
[视频]
