Sto adattando un modello misto utilizzando i minimi quadrati standard (REML) : Y ~ A(Somma) + B(Somma) + C(Somma) + D(Somma) + Soggetto(&Casuale)
- Circa 14.000 osservazioni, circa 200 livelli del fattore A, circa 60 livelli del fattore C, circa 120 soggetti
- Schema A×C altamente sparso: circa il 97% delle celle sono vuote (la maggior parte dei livelli A compare in un solo livello C).
Quando replico in Python (statsmodels MixedLM, REML), tutte le 200 medie LS per il fattore A differiscono da JMP per un offset esattamente costante (0,22) . Gli effetti relativi e le classifiche sono identici al 100% (deviazione standard della differenza a coppie = 0,0004).
Altri risultati: Per una variabile di risposta diversa sugli stessi dati con la stessa struttura del modello (stessa matrice X), lo scostamento è solo di 0,006. La risposta problematica ha un ICC più elevato (0,36 contro 0,27).
Domande:
- Il metodo JMP SLS calcola l'intercetta (o le medie dei minimi quadrati) in modo diverso rispetto a un GLS ponderato V⁻¹ standard quando l'ICC è da moderato ad alto in un disegno sparso?
- Esiste una differenza algoritmica nota tra SLS (REML) e il modello di personalità misto per questo scenario?
JMP Pro 17, Windows.
