在高度稀疏混合模型中，SLS REML 与 Python/R 相比，截距偏移量恒定我正在使用标准最小二乘法 (REML) 拟合混合模型： Y ~ A(Sum) + B(Sum) + C(Sum) + D(Sum) + Subject(&Random)
- 约14,000个观测值，约200个因子A水平，约60个因子C水平，约120名受试者
- 高度稀疏的 A×C 设计：约 97% 的单元格为空（大多数 A 级内容仅出现在 1 个 C 级内容中）
当我在 Python 中复现结果（statsmodels MixedLM, REML）时，因子 A 的所有 200 个最小二乘均值与 JMP 的结果相差一个固定的偏移量 (0.22) 。相对效应和排名完全一致（成对差异的标准差 = 0.0004）。
其他发现：对于相同数据的不同响应变量，在相同的模型结构（相同的 X 矩阵）下，偏移量仅为 0.006。有问题的响应变量具有更高的 ICC（0.36 对比 0.27）。
问题：
- 当稀疏设计中 ICC 为中等到高时，JMP SLS 计算截距（或 LS 均值）的方式是否与标准 V⁻¹ 加权 GLS 不同？
- 在这种情况下，SLS（REML）和混合模型之间是否存在已知的算法差异？
JMP Pro 17，Windows 版。
高级统计建模基础数据分析与建模
