一般化回帰と最小二乗法プラットフォーム間の効果検定の違いJMP Pro 18.2.2を使用していますが、交互作用項がある場合、一般化回帰プラットフォームと最小二乗近似（およびJMPの他のすべてのプラットフォーム）の間で効果検定表が大幅に異なることに気付きました。これは、設計が完全にバランスしている場合でも当てはまります。一般化回帰プラットフォームは、因子のパラメータ化に依存する平方和を生成します。レベルの順序が変わると、効果検定表も変わります。添付のJSLファイルに問題を示しました。最小二乗近似は、SASやその他の一般的な統計ソフトウェア（Stata、SPSSなど）と同じSS表を生成しますが、一般化回帰プラットフォームは、carパッケージとデフォルトの効果パラメータ化によるLMタイプIII SSを使用したRと同じSS表を生成します。
これはわずかな違いではなく、主な効果に関する結論は変わる可能性があることに注意してください。
これを説明する SAS のドキュメントやホワイト ペーパーはありますか?
JMP ポップコーン データ セットを使用した場合の私の懸念を示した添付の JSL ファイルを参照してください。
基本的なデータ分析とモデリング実験計画法一般化回帰と最小二乗法のプラットフォーム間の効果検定の違いについてこんにちは@GUhartel 、
コミュニティへようこそ！
2つのモデリングプラットフォームの違いは、これらのプラットフォームが名義変数（カテゴリ変数）を異なる方法でエンコードする方法に関連しています。 名義因子と名義効果コーディングの統計詳細
要約すると、カテゴリ効果の推定値は異なります。これは名義変数のエンコードが異なるためであり、推定値は異なる仮説を表します。私が理解している限りでは、これら2つの名義効果コーディングの違いは、名義因子の各レベルを特定のレベルと比較することで評価する場合、一般化回帰の名義コーディングの方が適切であると考えられます。列プロパティ「値の順序」を使用して、研究設計に適した順序を指定できます。因子の最後のレベルが、他のすべてのレベルとの比較に使用されます。
しかし、各レベルがすべてのレベルで計算された平均応答にどのように影響するかを知りたい場合は、適合モデル プラットフォームからの標準最小二乗法の方が便利な場合があります。
これらのトピックに関する私の以前の回答は、こちらで読むことができます： 回帰分析とランダム効果検定におけるDOE分析でのカテゴリ因子の取り扱い方
この回答がお役に立てれば幸いです。
一般化回帰と最小二乗法のプラットフォーム間の効果検定の違いについてプラットフォームによってダミー変数のエンコード方法が異なることは承知しています（ http://www.jmp.com/content/dam/jmp/documents/en/newsletters/jmper-cable/11_winter_2003.pdf参照）。SAS GLMも指標パラメータ化を使用しますが、これはタイプ3のSS分散分析表には影響せず、パラメータ推定値のみに影響します。一方、一般化回帰プラットフォームでは分散分析表も変更されます。これは意外に思われる方もいるかもしれません。警告を出す価値はあるかもしれません。
