JMP 14.2 联机文档
发现 JMP
使用 JMP
基本分析
基本绘图
刻画器指南
实验设计指南
拟合线性模型
预测和专业建模
多元方法
质量和过程方法
可靠性和生存方法
消费者研究
Scripting Guide
JSL Syntax Reference
该帮助的版本不再更新,请参见
https://www.jmp.com/support/help/zh-cn/15.2
获取最新的版本.
拟合线性模型
•
混合模型
•
“混合模型”特质的统计详细信息
• 收敛得分检验
上一个
•
下一个
收敛得分检验
收敛失败警告显示以下假设的得分检验:未知最大似然估计值 (MLE) 与模型拟合算法的最后一次迭代中给出的参数一致。该假设检验是可能实现的,因为相对梯度准则在代数上等价于得分检验统计量。显然得分检验不需要知道真实 MLE。
得分检验
首先考虑单个参数
θ
的情况。假定
l
是
θ
的对数似然函数,
x
是数据。得分是对数似然函数对
θ
的导数:
观测信息是:
H
0
:
的得分检验的统计量为:
该统计量在原假设下服从自由度为 1 的渐近卡方分布。
得分检验可以推广到多个参数。考虑参数
θ
的向量,则
H
0
:
的得分检验的检验统计量为:
其中
和
表示矩阵
U
的转置矩阵。
检验统计量服从自由度为
k
的渐近卡方分布。其中
k
是无界参数的数目。
相对梯度
“混合模型”拟合过程的收敛准则基于相对梯度
。此处
是对数似然函数的梯度,
是它的 Hessian。
用
表示算法终止时的
值。请注意在
处计算出的相对梯度为得分检验统计量。使用具有
k
个自由度的卡方分布计算
p
值。该
p
值指示未知的 MLE 值是否与
一致。“随机效应协方差参数估计值”报表中列出的无界参数数目等于
k
。