何時使用具有“隨機”屬性的標準最小二乘性格而不是混合模型性格？你好，我正在嘗試建立一個具有四個固定效應的模型：應變、濃度、它們的交互作用、天數（因為我的實驗天數不足以使其成為隨機效應）。隨機效應將在板內嵌套複製（旨在 96 孔板）並且板在一天內嵌套。我知道我有兩個選項可以在 JMP 中對此進行建模：
1.「標準最小平方法」人格使用「屬性」將隨機效應選擇為隨機
2.「混合模型」個性，這個問題是輸出沒有顯示 R^2 值，所以我無法看到模型中有多少變異數是由我的效應解釋的。
哪一個最好用？
謝謝你！
基礎資料分析與建模回覆：何時使用屬性「隨機」的標準最小平方法個性而不是混合模型個性？你好@blip555555
根據我們對您之前帖子的討論，我剛剛查看了與混合模型相關的幫助部分。當你有複雜的協方差結構時，混合模型個性似乎很有幫助。
如果您沒有特定的協方差結構（設定結構 = 殘差：觀測值之間沒有協方差，因此誤差是獨立的），您可以使用具有隨機效應的標準最小二乘個性或混合模型個性來建立模型，您將獲得相同的結果。
為了說明，我嘗試使用資料集“Machine”，這兩個模型與平台相同，因為協方差結構設定在“Residual”上：
希望這個答案能對你有幫助，
回覆：何時使用屬性「隨機」的標準最小平方法個性而不是混合模型個性？親愛的維克多，
我懂了。我怎麼知道我的錯誤是否是獨立的？
為了提供一些背景信息，我正在分析抗生素濃度和細菌菌株如何影響螢光標記（反應變數）。我的固定效應是：實驗日（因為我沒有在超過 5 個不同的日子進行實驗）、應變、濃度、應變*濃度。我的隨機效應是：板內嵌套重複（解釋同一 96 孔板中技術重複的變化）和一天內嵌套板（解釋同一天板之間的變化）。我認為，在考慮了重複實驗和平板之間的差異後，沒有理由相信我的錯誤是依賴性的。
謝謝你！
回覆：何時使用屬性「隨機」的標準最小平方法個性而不是混合模型個性？你好@blip555555
您可以檢查幾個方面：
- 在「行診斷」中，您可以檢查「預測圖殘差」和「行殘差」來檢查線性迴歸模型背後的一些假設，分別是殘差的恆定變異數和觀測的獨立性（查看殘差與行時殘差中沒有特定的模式）。
- 您還可以查看 REML 報告下方的“ 方差分量估計的協方差矩陣”，以檢查隨機效應之間的協方差是否相對較低。
- 最後，您也可以將分析結果的殘差保存在資料表中，並檢查殘差與原始因素之間的相關性。由於模型應該捕捉到來自你的因素的變化，你的殘差應該與原始因素有非常低的相關性。
您還可以使用控製圖中的殘差來評估是否存在一些奇怪的模式/值，並可能將其與因素或特定條件聯繫起來，和/或評估殘差中一些看起來可疑的緩慢漂移（類似於殘差與行圖）。
希望這個答案能對你有幫助，
回覆：何時使用屬性「隨機」的標準最小平方法個性而不是混合模型個性？親愛的維克多，
非常感謝您的回复，很抱歉問題這麼多，我對 JMP 和統計建模還很陌生。我繪製了預測殘差，如下所示，並且查看了協方差矩陣分量估計值，也附在下面。看起來具有隨機效應的標準最小平方法個性有效？
回覆：何時使用屬性「隨機」的標準最小平方法個性而不是混合模型個性？看看捕獲的結果，是的，它似乎“起作用”，因為殘差的變化似乎是隨機的，除了第一次捕獲似乎存在某種沒有中間值的群體效應？但這可能是隨機/阻塞效應的結果。
問題不是問題，問題可能是答案中缺少資訊。統計不是「是或否」的情況，而是基於資訊和模型的充分性，對您想要做出的決定的信心程度（和風險）。如果沒有資料集來探索這種情況，評估這種情況將會非常困難，甚至是不可能的。
如果您想以匿名的方式共享數據， 那麼「匿名數據」選項效果很好。
希望這個答案能對你有幫助，
