J'ajuste un modèle mixte en utilisant les moindres carrés standard (REML) : Y ~ A(Sum) + B(Sum) + C(Sum) + D(Sum) + Subject(&Random)
- Environ 14 000 observations, environ 200 niveaux du facteur A, environ 60 niveaux du facteur C, environ 120 sujets
- Conception A×C très clairsemée : ~97 % des cellules sont vides (la plupart des niveaux A n’apparaissent que dans 1 niveau C)
Lorsque je reproduis les résultats en Python (statsmodels MixedLM, REML), les 200 moyennes des moindres carrés pour le facteur A diffèrent de celles obtenues avec JMP par un décalage constant de 0,22 . Les effets relatifs et les classements sont identiques à 100 % (écart-type de la différence par paires = 0,0004).
Autres résultats : Pour une variable de réponse différente sur les mêmes données avec la même structure de modèle (même matrice X), le décalage n’est que de 0,006. La réponse problématique a un ICC plus élevé (0,36 contre 0,27).
Questions :
- Est-ce que JMP SLS calcule l'ordonnée à l'origine (ou les moyennes LS) différemment d'un GLS pondéré V⁻¹ standard lorsque l'ICC est modéré à élevé dans un plan clairsemé ?
- Existe-t-il une différence algorithmique connue entre SLS (REML) et le modèle mixte pour ce scénario ?
JMP Pro 17, Windows.
