différence dans les TESTS D'EFFET entre les plateformes de régression généralisée et d'ajustement des moindres carrésJ'utilise JMP Pro 18.2.2 et j'ai remarqué que le tableau des tests d'effet diffère considérablement entre la plateforme de régression généralisée et Ajustement des moindres carrés (ainsi que toutes les autres plateformes JMP) lorsqu'il y a un terme d'interaction. Cela est vrai même lorsque la conception est parfaitement équilibrée. La plateforme de régression généralisée génère des sommes de carrés qui dépendent du paramétrage des facteurs. Si l'ordre des niveaux change, le tableau des tests d'effet change également. J'ai illustré le problème dans le fichier JSL ci-joint. Ajustement des moindres carrés génère les mêmes tables SS que SAS et d'autres logiciels de statistiques courants (par exemple, Stata, SPSS, etc.), mais la plateforme de régression généralisée produit les mêmes tables SS que R en utilisant le package car et LM type III SS avec un paramétrage d'effet par défaut.
Notez qu’il ne s’agit pas d’une légère différence et que les conclusions concernant les principaux effets peuvent changer.
Existe-t-il une documentation ou des livres blancs de SAS qui expliqueraient cela ?
veuillez consulter le fichier JSL ci-joint qui illustre mes préoccupations en utilisant l'ensemble de données JMP Popcorn.
Analyse et modélisation de données de basePlan d'expériencesRé : différence dans les tests d'effet entre les plateformes de régression généralisée et d'ajustement des moindres carrésSalut @GUhartel ,
Bienvenue dans la Communauté !
Les différences que vous pouvez voir entre les deux plateformes de modélisation sont liées à la façon dont ces plateformes codent différemment les variables nominales (catégorielles) : Facteurs nominaux et détails statistiques pour le codage des effets nominaux
En résumé, les estimations d'un effet catégoriel sont différentes, car le codage de la variable nominale est différent ; elles représentent donc des hypothèses différentes. Si je comprends bien les différences entre ces deux codages d'effets nominaux, je dirais que si vous souhaitez évaluer les niveaux d'un facteur nominal en comparant chaque niveau à un niveau spécifique, le codage nominal de la régression généralisée pourrait être plus approprié. Vous pouvez utiliser la propriété de colonne « Ordre des valeurs » pour spécifier l'ordre requis afin qu'il corresponde à votre plan d'étude. Le dernier niveau du facteur sera utilisé pour la comparaison avec tous les autres niveaux.
Mais lorsque vous souhaitez savoir comment chaque niveau peut influencer la réponse moyenne calculée à tous les niveaux, alors la plateforme Standard Least Squares de Fit Model peut être plus utile.
Vous pouvez lire mes réponses précédentes sur ces sujets ici : Comment l'analyse DOE gère le facteur catégoriel dans l'analyse de régression et le test à effet aléatoire
J'espère que cette réponse vous aidera,
Ré : différence dans les tests d'effet entre les plateformes de régression généralisée et d'ajustement des moindres carrésJe comprends que les différentes plateformes codent les variables factices différemment (cf. http://www.jmp.com/content/dam/jmp/documents/en/newsletters/jmper-cable/11_winter_2003.pdf ). SAS GLM utilise également la paramétrisation des indicateurs, mais cela n'affecte pas les tableaux d'analyse de variance SS de type 3, mais uniquement les estimations des paramètres. En revanche, sur la plateforme de régression généralisée, les tableaux d'analyse de variance sont également modifiés. Cela pourrait en surprendre certains. Un avertissement pourrait être utile.
