El análisis de covarianza se utiliza ampliamente para comparar valores posteriores a la dosis entre grupos de medicamentos, teniendo en cuenta covariables como los valores previos a la dosis. Tradicionalmente, cuando se aplica el análisis de covarianza, se supone que no existe interacción entre las covariables consideradas y el grupo de fármacos. También se sabe que es probable que se produzcan interacciones entre covariables y grupos de fármacos cuando existe un límite inferior para la respuesta observada. En el caso de experimentos de alta precisión, incluso una ligera diferencia en la pendiente entre fármacos tiende a conducir a una diferencia estadísticamente significativa en la interacción; en el caso de experimentos de baja precisión, incluso una pequeña diferencia en la pendiente puede resultar en una diferencia estadísticamente significativa. Incluso si la hay, es poco probable que sea una diferencia estadísticamente significativa. En el "Modelo de ajuste" de JMP, si incluye una interacción entre las covariables y el grupo de fármacos en el modelo, el centrado se realiza automáticamente solo en la covariable y también es posible generar la media de mínimos cuadrados para el grupo de fármacos. Ahora bien, ¿cómo debemos interpretar las medias de mínimos cuadrados cuando hay una interacción? El análisis de covarianza se puede aplicar incluso cuando existen variables de confusión, pero es probable que se produzcan interacciones claras. Me gustaría informar que he obtenido nuevos conocimientos sobre cómo utilizar la media de mínimos cuadrados cuando estoy centrado para interacciones en JMP.
