非参数方差比例尊敬的 JMP 社区成员：
我之前尝试过阅读类似主题的相关文章，但没有涵盖我的疑问。
我先解释一下背景。
客观的：
我正在尝试寻找一种统计方法来对特定过程执行方差分解。
我们拥有大量数据，其中包括大量因素（混合分类和连续数据类型）和响应（连续数据类型）。
发现：
到目前为止，常用的方法是使用方差分析（eta方和omega方）。
然而，我们需要考虑方差分析的假设违规。如果我们不满足假设，尤其是像方差齐性这样至关重要的假设，我们就会担心eta平方的可靠性。
问题：
是否有任何其他推荐的统计方法可供我们使用，例如“非参数”eta平方，或任何与其等效的方法。
我们知道非参数“方差分析”是克鲁斯卡尔·沃利斯（Kruskal Wallis），但我不确定JMP能否提供克鲁斯卡尔·沃利斯下的“eta平方”。至少我找不到。
另一种是 Welch 的方差分析，但是这种方法似乎只适用于单向（仅一个因素），但我的情况有多个因素。
提前感谢您的建议。
注意：我有一个 JMP Pro，以防 JMP Pro 下有可用的方法。
谢谢，
克里斯
高级统计建模回复：非参数方差比例我想你可以使用拟合模型，然后将所有效应输入为随机效应。这样就能在 REML 报告中得到归因于每个因素的方差。
回复：非参数方差比例你好，拜伦，
感谢您提供的替代方法，以防我们遇到随机效应，而且大多数情况下我们都会遇到这种情况。
据我了解，REML 也受到与 ANOVA 类似的假设违反的影响。
如果存在假设违规（方差相等、独立性……），方差分解的 REML 结果是否仍然可靠？
如果不是，我们是否有其他统计方法不需要这样的假设？
谢谢，
克里斯
回复：非参数方差比例您好@ChrisLooi ：使用 JMP Pro，您可以非常灵活地建模协方差/相关结构、异方差等（通过混合模型）；然而，即使所选的混合模型正确地考虑了异方差和相关性（正如您所建议的，在您的案例中可能需要），简单的 eta 平方类型的计算（例如，每个因子的总变异百分比）可能难以实现，因为例如，不同组的总变异可能不同。因此，在我看来，对于这类混合模型来说，这种简单的 eta 平方计算意义不大。
回复：非参数方差比例你好@ChrisLooi ：也许还有另一种思考方式：如果你感兴趣的只是 eta 平方（经验测量总变异性的百分比），而不是建模、参数估计、预测等，那么也许只需应用标准方差分析模型并像平常一样计算 eta 平方……同时认识到目标与建模等不同（通过混合模型）。
值得深思吗？
回复：非参数方差比例你好，MRB3855，
感谢您的评论和见解。非常感谢。
我同意 eta 平方并不可靠，因为我们必须处理大量数据，而这些数据很可能违反假设。那么，如果 eta 平方在某些条件下不可靠，除了 eta 平方之外，还有其他方法可以使用吗？
从我目前读到的内容来看，另一种选择可能是源自 Kruskal Wallis 的 epsilon 平方。
也许由于其他原因仍然不完美，至少假设要求被删除了。
据我了解，JMP 目前不提供 epsilon 平方。
也许有人知道有没有 epsilon 平方的插件。2016 年有个不错的插件（Julian 开发的），但它只能计算 eta、omega 和部分 eta。
https://community.jmp.com/t5/JMP-Add-Ins/Calculate-Effect-Sizes-Add-in/ta-p/22642
Br,
克里斯
回复：非参数方差比例嗨，克里斯，
我认为对你的问题最直接的回答是，JMP 并没有集成这一点，除非在逻辑回归类模型中使用熵 R 平方。所有现有的方法，无论是 REML、EMS 还是贝叶斯方法，本质上都是参数化的（即使间接地使用正态分布）。
方差（或极差）的非参数方法可能基于熵，因此您可以研究一下（但这超出了 JMP 当前实现的范围）。您还可以探索 MSA 设计平台（方差分量估计器预期性能），看看模拟分量是否对您的具体问题有帮助。此外，我建议您了解一下 JMP 中的引导法 ( https://www.jmp.com/support/help/en/18.1/jmp/bootstrapping.shtml ) 和置换检验 ( https://www.jmp.com/support/help/en/18.2/jmp/example-of-a-permutation-test.shtml )。
