等級：中級
從 JMP 的「擬合模型」中獲得的「最小二乘平均值」和「預測曲線」對於顯示探索性分析的結果至關重要。然而，它就像一種方言，甚至沒有被列入 Takeuchi 等人 (1989) 統計詞典的索引中，因此很難解釋。最近，我們發現，透過「協方差分析」中的「最小平方法平均值」和「預測輪廓」相互補充，可以得到簡單明了的解釋，其中包括定性因素、定量因素和交互作用。使用的數據是奧野等人（1981）“多元分析方法，修訂版”中“包括分層因素的回歸分析”的示例（二氧化硫氣體回收塔的觀測結果，回收液濃度y。 ，清洗水的溫度為x，4級運轉週期為A)。在原始出版物中，有一張圖表在營運期間（一月和二月）與其他時期相比似乎具有不同的斜率。使用包含交互作用的模型，在預測曲線中改變運行季節 A 時追蹤清潔水溫度 x 的曲線變化，並比較改變溫度 x 時運行季節 A 的平均濃度 y。值，則它與營運季節A 的最小平方法平均值相符。
https://www.yukms.com/biostat/takahasi2/rec/009-13.htm
我從 JMP4 開始就是用戶，並且從 JMP 之前就開始使用 SAS。在我原來工作的公司，我利用各種類型的JMP進行了統計教育，並在公司內部進行了JMP的傳播活動。該結果已在 JMPer 會議上酌情介紹。退休後，我成立了一家自營的顧問公司並繼續在那裡工作。最近，我感覺到日本許多學術領域（不包括臨床統計學）對真實數據進行統計分析的能力正在集體下降。協方差分析對我來說也是一個既古老又新的主題。有必要認真解決包括交互作用在內的協方差分析。協方差分析被建立為沒有交互作用時的分析模型。認識到還討論了涉及互動的歷史案例，這在解釋最小二乘法（SAS 的一種方言）和預測概要文件（JMP 的一種方言）時非常有用，我敏銳地意識到這一點。
[影片]
