廣義迴歸與擬合最小平方法平台之間的效應檢定差異我使用的是 JMP Pro 18.2.2，並注意到當存在交互項時，廣義迴歸平台和擬合最小二乘（以及 JMP 中的所有其他平台）之間的效應檢定表存在顯著差異。即使設計完全平衡，情況也是如此。廣義迴歸平台產生的平方和取決於因子的參數化。如果水平順序發生變化，效應檢驗表也會改變。我在附加的 JSL 文件中說明了這個問題。擬合最小平方法產生的平方和表格與 SAS 和其他常用統計軟體（例如 Stata、SPSS 等）相同，但廣義迴歸平台產生的平方和表格與使用 car 套件和 LM III 型平方和以及預設效應參數化的 R 產生的平方和表相同。
請注意，這並不是一個微小的差異，主要影響的結論可能會改變。
SAS 是否有任何文件或白皮書可以解釋這一點？
請參閱附件的 JSL 文件，其中使用 JMP 爆米花資料集說明了我的擔憂。
基礎資料分析與建模實驗設計回覆：廣義迴歸和擬合最小平方法平台之間的效果檢定差異你好@GUhartel ，
歡迎加入社群！
這兩個建模平台之間的差異與這些平台對名目（分類）變數的不同編碼方式有關： 名目因子和名目效應編碼的統計細節
總而言之，分類效應的估計值不同，因為名目變數的編碼不同，所以估計值代表不同的假設。據我理解，這兩種名義效應編碼之間的區別在於，如果您希望透過將每個水平與一個特定水平進行比較來評估名義因子的水平，那麼廣義回歸的名義編碼可能更合適。您可以使用列屬性「值順序」來指定所需的順序，以適合您的研究設計。因子的最後一個水平將用於與所有其他水平進行比較。
但是當您想知道每個等級如何影響所有等級計算的平均響應時，擬合模型平台的標準最小二乘法可能更有用。
您可以在這裡閱讀我之前對這些主題的回應： DOE 分析如何處理迴歸分析和隨機效應檢定中的分類因子
希望這個答案能對你有幫助，
回覆：廣義迴歸和擬合最小平方法平台之間的效果檢定差異我理解不同平台對虛擬變數的編碼方式不同（請參閱http://www.jmp.com/content/dam/jmp/documents/en/newsletters/jmper-cable/11_winter_2003.pdf ）。 SAS GLM 也使用指標參數化，但這不會影響 3 型 SS 變異數分析表，只會影響參數估計值；而在廣義迴歸平台中，變異數分析表也會改變。這可能會讓一些人感到意外，或許值得發出警告。
