Die Punchline MANOVA oder ein gemischtes Modell SAS Learning Beitrag
Unstrukturierte Fit Statistiken
-2 Res Log Likelihood 2585,6
AIC (kleiner ist besser) 2.597,6
AICC (kleiner ist besser) 2.597,8
BIC (kleiner ist besser) 2.615,4
CS Fit Statistiken
-2 Res Log Likelihood 2851,2
AIC (kleiner ist besser) 2.855,2
AICC (kleiner ist besser) 2.855,2
BIC (kleiner ist besser) 2.861,1
Zusammen mit der Kovarianz Struktur zu verändern, gibt es die anderen Vorteile, den Tag zusammen mit einem Mischmodell: effizienteren Umgang mit fehlenden Daten, einfach Kovariaten zu handhaben, mehr Ebene der Verschachtelung leicht zu beherbergen (Messungen innerhalb der Subjekte innerhalb Verkaufsgebiete in Ihrem wildesten imaginings), ist eine Zeitkomponente leicht zu modellieren, heterogene Gruppen Modelle, um nur einige zu nennen.
Kontrast 'Promotion-Effekt in PROC GLM'
Förderung 1 -1 Förderung * Reaktion 1 0 0 -1 / ** Reaktion 1 ** /
Förderung 1 -1 Förderung * Antwort 0 1 0 0 -1 / ** Antwort 2 ** /
Förderung 1 -1 Förderung * Antwort 0 0 1 0 0 -1; / ** Reaktion 3 ** /
Kontrast ‚Cashback-Effekt in PROC GLM‘
Geldabheben 1 -1 Cashback * Reaktion 1 0 0 -1 / *** Antwort 1, caskback 1-2 *** /
Cashback 1 0 -1 Cashback * Reaktion 1 0 0 0 0 0 -1 / *** Antwort 1, caskback 1-3 *** /
Geldabheben 1 -1 Cashback * Reaktion 0 1 0 0 -1 / *** Antwort 2, caskback 1-2 *** /
Cashback 1 0 -1 Cashback * Antwort 0 1 0 0 0 0 0 -1 / *** Antwort 2, caskback 1-3 *** /
Geldabheben 1 -1 Cashback * Reaktion 0 0 1 0 0 -1 / *** Antwort 3, caskback 1-2 *** /
Cashback 1 0 -1 Cashback * Reaktion 0 0 1 0 0 0 0 0 -1; / *** Antwort 3, caskback 1-3 *** /
(Beachten Sie die Spalte mit dem Verteilungsnamen für jede Variable), dann könnte ich das Modell passen wie folgt:
proc glimmix data = blog.promouni;
Klasse Förderung minbal;
Modell value1 = distrib | Förderung | minbal / NOINT dist = byobs (distrib);
Zufall intercept / subject = Subjekt;
Lauf;
Oder so, statt:
proc glimmix data = blog.promouni;
Klasse Förderung minbal;
Modell value1 = distrib | Förderung | minbal / NOINT dist = byobs (distrib);
Zufall _residual_ / subject = Subjekt type = un;
Lauf;
Diese beiden Modelle sind nicht äquivalent, und sie verwenden beide Wahrscheinlichkeitsschätzung Pseudo, so dass Sie wahrscheinlich nur, dass diese Art von Modell unter Umständen verwenden, in denen nichts anderes die Arbeit machen. Dennoch ist es ein bisschen mehr als noch vor ein paar Jahren getan werden könnte.
Ich weiß, ich halte Sie für diese Pointe hängen. So, hier sind Sie (mit meiner tiefstenen Entschuldigung) ...
Drei korrelierte Antworten gehen in eine Bar.
Man fragt nach einem Pils. Die zweite fordert eine ale.
Der dritte sagt der Barkeeper: „Ich bin einfach nicht normal heute fühlen. Bessere Gamma etwas gemischt.“
Über den Autor
