在高度稀疏混合模型中，SLS REML 與 Python/R 相比，截距偏移量恆定我正在使用標準最小二乘法 (REML) 來擬合混合模型： Y ~ A(Sum) + B(Sum) + C(Sum) + D(Sum) + Subject(&Random)
- 約14,000個觀測值，約200個因子A水平，約60個因子C水平，約120名受試者
- 高度稀疏的 A×C 設計：約 97% 的單元格為空（大多數 A 級內容僅出現在 1 個 C 級內容中）
當我在 Python 中復現結果（statsmodels MixedLM, REML）時，因子 A 的所有 200 個最小二乘均值與 JMP 的結果相差一個固定的偏移量 (0.22) 。相對效應和排名完全一致（成對差異的標準差 = 0.0004）。
其他發現：對於相同資料的不同反應變量，在相同的模型結構（相同的 X 矩陣）下，偏移量僅為 0.006。有問題的反應變數具有較高的 ICC（0.36 對比 0.27）。
問題：
- 當稀疏設計中 ICC 為中等到高時，JMP SLS 計算截距（或 LS 平均值）的方式是否與標準 V⁻¹ 加權 GLS 不同？
- 在這種情況下，SLS（REML）和混合模型之間是否存在已知的演算法差異？
JMP Pro 17，Windows 版。
進階統計建模基礎資料分析與建模
