Estoy ajustando un modelo mixto usando mínimos cuadrados estándar (REML) : Y ~ A(Suma) + B(Suma) + C(Suma) + D(Suma) + Sujeto(&Aleatorio)
- ~14.000 observaciones, ~200 niveles del factor A, ~60 niveles del factor C, ~120 sujetos
- Diseño A×C muy disperso: ~97% de las celdas están vacías (la mayoría de los niveles A aparecen en solo 1 nivel C).
Al replicar en Python (statsmodels MixedLM, REML), las 200 medias de mínimos cuadrados para el factor A difieren de JMP por un desplazamiento exactamente constante (0,22) . Los efectos relativos y las clasificaciones son 100% idénticos (desviación estándar de la diferencia por pares = 0,0004).
Otros hallazgos: Para una variable de respuesta diferente en los mismos datos con la misma estructura del modelo (misma matriz X), el desplazamiento es de solo 0,006. La respuesta problemática tiene un ICC más alto (0,36 frente a 0,27).
Preguntas:
- ¿El método JMP SLS calcula la intersección (o las medias de mínimos cuadrados) de forma diferente a un GLS ponderado V⁻¹ estándar cuando el ICC es de moderado a alto en un diseño disperso?
- ¿Existe alguna diferencia algorítmica conocida entre SLS (REML) y la personalidad del Modelo Mixto para este escenario?
JMP Pro 17, Windows.
