SLS REMLは、非常に疎な混合モデルにおいて、Python/Rと比較して一定の切片オフセットを与える。標準最小二乗法（REML）を使用して混合モデルを当てはめています： Y ~ A(Sum) + B(Sum) + C(Sum) + D(Sum) + Subject(&Random)
- 約14,000件の観測、約200段階の因子A、約60段階の因子C、約120人の被験者
- 非常に疎なA×C設計：約97%のセルが空（ほとんどのAレベルは1つのCレベルにしか出現しない）
Python（statsmodels MixedLM、REML）で再現すると、因子Aの200個のLS平均値はすべてJMPと正確に一定のオフセット（0.22）だけ異なります。相対効果と順位は100%一致しています（ペアワイズ差の標準偏差 = 0.0004）。
その他の発見：同じデータ、同じモデル構造（同じX行列）で異なる応答変数を使用した場合、オフセットはわずか0.006です。問題のある応答変数の方がICCが高くなっています（0.36対0.27）。
質問:
- JMP SLSは、スパースデザインにおいてICCが中程度から高い場合、標準的なV⁻¹加重GLSとは異なる方法で切片（またはLS平均）を計算しますか？
- このシナリオにおいて、SLS（REML）と混合モデルパーソナリティの間には、既知のアルゴリズム上の違いはありますか？
JMP Pro 17、Windows版。
高度な統計モデリング基本的なデータ分析とモデリング
