このアドインを使用すると、JMPで一般化線形混合モデルを実行できます。 デフォルトのパラメータ設定は、SAS％GLIMMIXマクロとほとんど同じです。
NS [列の選択]パネル現在のデータセット内のすべての変数を表示します。
NS [役割変数の選択]パネル以下を指定できます。
- Y：応答変数。
- 重み：分析用の重み変数。
- オフセット：オフセット変数。 デフォルトはオフセットなしです。
- By：by変数を使用すると、サブグループのモデルを同時に適合させることができます。
NSモデル効果の構築パネルに含まれるもの：
NSオプションパネル含まれるもの：
- 分布：応答変数の分布。 デフォルトは二項です。
- リンク：混合モデルを利用する前に、応答変数を疑似スコアに変換するために使用するリンク関数。 正規リンク機能が提供されています。
- 最大反復：アルゴリズムが収束するための最大反復回数。 デフォルト値は30です。
- 収束基準：RMSEが収束基準の値よりも小さい場合、反復は停止します。 デフォルト値は1E-8です。
- 補正係数：特異点を回避するために、最初の変換ステップで応答変数に追加される定数。 デフォルト値は0.5です。
- グループ別レポート制限：By変数を指定するときに、サブグループの数がこの制限数よりも多い場合、レポート出力は抑制されます。 代わりに、サマリーテーブルとグラフビルダーインターフェイスが提供されます。
オンラインで入手可能な例を使用して、アドインの詳細を説明します（％GLIMMIXマクロ結果Webサイト： https://support.sas.com/techsup/notes/v8/25/030.htmlまたはPROCGLIMMIX Webサイト： https://go.documentation.sas.com/?docsetId=statug&docsetVersion=15.1&docsetTarget=statug_glimmix_examples.htm&locale=en ）。 SASマクロを使用して比較結果を導出するには、MODELステートメントで「DDFM = KR」オプションを設定し、PROCMIXEDステートメントで「NOBOUND」オプションも設定します。
デモビデオもオンラインで入手できます。
例6-サンショウウオデータの長い形式： https://youtu.be/6gCqufudFV4
例7--RNA-seqデータ： https://youtu.be/o4LeTmVzzVE
例1-ポアソン分布（ship_demo.jmp）：
以下は、船のデータを垣間見ることです（元々はMcCullagh and Nelder（1989）、セクション6.3から）。
応答変数は「N」で、ポアソン分布に従います。 一般化線形混合モデルの固定効果は「タイプ」です。ランダム効果は「年、期間、年*期間」です。 オフセット変数は「サービス」です。
ポアソン分布のデフォルトのリンク関数は「ログ」リンクです。 選択したディストリビューションに正規（デフォルト）リンクを使用する場合は、リンクボックスを空白のままにすることができます。
2つ以上の変数を選択し、[固定効果]または[ランダム効果]パネルの[クロス]ボタンをクリックすると、交互作用項を追加できます。
すべてのモデルパラメータを指定したら、「実行」ボタンをクリックします。 28回の反復の後、アルゴリズムは収束しました。 結果の出力は、JMPの混合モデル形式です。 ％GLIMMIX SASマクロの結果と比較する場合、計画行列のコーディングが異なるため、固定効果パラメーターの推定値ではなく、F検定の結果、LS平均、または分散成分の推定値を比較することをお勧めします。
例2–バイナリ分布（sal1.jmp）：
以下は、サラマンダーのデータを垣間見ることです（元々はMcCullagh and Nelder（1989）、セクション14.5から）。 分析を実行する前に、対象の変数に対して適切なモデリングタイプを定義することに注意してください。 以下の例では、変数「fnum、mnum」は連続数です。 ただし、それらをカテゴリ変数として使用する場合は、変数名>列情報を右クリックして、モデリングタイプを公称値に変更できます。
モデル仕様：応答変数：ybin。 分布：二項。 リンク機能：ロジット。
固定効果：fpop、mpop、fpop * mpop。 ランダム効果：fpop * fnum、mpop * mnum。
アルゴリズムは、10回の反復後に収束します。
例3–二項分布（blotch.jmp）
情報源： https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex04.htm&docsetVersion=15.1&locale=en
応答変数「prop」は、入射。 「サイト」と「バラエティ」は2つの固定効果です。 「二項」分布を選択し、デフォルトのリンク関数は「ロジット」です。 （この例ではランダム効果を指定していません。）
「多様性」と「サイト」のLSmeansは、％GLIMMIXマクロとPROCGLIMMIXのLSmeansと一致しています。 ただし、F検定の結果は不一致を示しました。
例4–二項分布（rcb_binomial.jmp）
6回の反復の後、次の結果が得られます。 この結果は、％GLIMMIXマクロによって生成された結果と一致していますが、PROCGLIMMIXの結果とは少し異なります。
例5–二項分布（hessianfly.jmp）
情報源： https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex01.htm&docsetVersion=15.1&locale=en
応答は「y / n」で、「」の形式です。イベント/トライアル" また "成功/総試行」。 応答変数Yを指定するときは、最初に「events」変数（この場合は「y」）を選択し、次に「trials」変数を選択する必要があります。 したがって、「y」の後に「n」が選択されます。 「エントリ」を固定効果として設定し、「ブロック」をランダム効果として設定します。 「二項」分布を選択し、デフォルトの「ロジット」リンク機能を使用します。
6回の反復の後、次のように結果を導き出します。
上記の例の結果は、SAS PROC GLIMMIXおよび％GLIMMIXマクロで確認できます。SASコードを参照してください。 SAS_Example_macro_proc_verification.sas 。
例6–バイナリ分布（sal1_long.jmp）：
データがサブセットで構成されており、各グループ/サブセットを個別にモデル化する場合は、「By」フィールドでグループ/サブセットインジケーター変数を指定できます。
この例では、sal1_long.jmpはSalamanderデータのスタックバージョンです（元々はMcCullagh and Nelder（1989）、セクション14.5から）。 ここで、応答変数「y1、y2、y3」は変数「ystack」にスタックされます。 変数「ycat」は、元の応答カテゴリを示します。
ここでは、応答変数として「ystack」を指定し、By変数として「ycat」を指定します。 例2の設定と同様に、分布、固定効果、ランダム効果を指定できます。
GLMMプロシージャは、[By]フィールドで指定されたグループ/サブセットごとに実行されます。 最終報告は以下のとおりです。 結果は、グループ/サブセットごとに一覧表示されます–応答y1_pseudo、応答y2_pseudo、および応答y3_pseudo。
例7–RNA-seqデータ
ゲノミクスデータは通常高次元であり、遺伝子/ SNPの数は通常10kを超えるため、統合分析の実行は計算が困難になる可能性があります。 このアドインを使用してRNA-seqデータを分析する将来の関心のために、BYフィールドで指定された遺伝子の数を増やしたときのパフォーマンスをテストします。 BY関数はマルチスレッドで記述されていないため、このセクションはストレステストの一部として機能します。
ここで使用されているサンプルデータは、パッケージからオンラインで公開されています。 https://bioconductor.org/packages/release/bioc/vignettes/variancePartition/inst/doc/dream.html
- varPartDEdata_count.jmp元のカウントマトリックスです
- varPartDEdata_metadata.jmp 24サンプルのメタデータです
- varPartDEdata_stack10.jmpは処理されたデータであり、最初の10個の遺伝子からの遺伝子発現が他のメタデータ変数とともにスタックされます。
- varPartDEdata_stack100.jmpは処理されたデータであり、最初の100個の遺伝子からの遺伝子発現が他のメタデータ変数とともにスタックされます。
オンラインの例から、各遺伝子について、モデルを次のように適合させることができます。
Y〜DiseaseSubtype +性別+（1 |個人）
ここで、「DiseaseSubtype」と「Sex」は固定効果であり、「Individual」はランダム効果です。 ここで、応答変数Y
配布の選択によって異なります。 分布の1つの選択肢は「ポアソン」分布であり、この場合、応答変数としてrawカウント「式」を使用します。 RNA-seqデータをモデル化する別の方法は、最初にカウントの対数変換を行い、「正規」分布を指定しながら応答変数として「logexprs」を使用することです。
サンプルデータの使用varPartDEdata_stack10.jmp 、10個の遺伝子のそれぞれの結果を個別に導き出すことができます。
「logexprs」を応答変数として使用すると、[分析]> [モデルの適合]> [混合モデル]とGLMMアドインの結果は同じになります。 rawカウントの「式」を応答として使用し、「ポアソン」分布を指定すると、実行時間が長くなり、収束の問題があるモデルが存在する可能性があります。
BY変数のサブグループ（遺伝子）の数
|
ポアソン実行時間（HH：MM：SS）
|
通常の実行時間（HH：MM：SS）
|
log（count）実行時間（HH：MM：SS）を使用した混合モデル
|
10
|
00:01:15
|
00:00:06
|
|
100
|
00:06:00
|
00:00:43
|
00:00:01
|
1000
|
01:25:19
|
00:09:05
|
00:01:41
|
10000
|
11:11:05
|
01:31:58
|
|
……
|
|
|
|
BYフィールドで指定された遺伝子/サブグループの数グループ別レポート制限= 10より大きい、例えばを使用してvarPartDEdata_stack100.jmp 、レポートは表示されなくなります。 代わりに、「GLMM結果」JMPテーブルと火山プロットが提供されます。 「GLMM結果」テーブルには、F検定結果の一部（DFDen_、F Ratio_、Prob> F_）、最小二乗平均（LSMeans 
、およびパラメーター推定値の一部（Estimate：、-log10（Prob > | t |）:)。
「logexprs」をYとして指定し、「正規」分布を指定することにより、以下のデータセットを導出できます。 （として利用可能GLMM result.jmp ）
デフォルトの火山プロットは、指定された最初の固定効果に対して生成されます。 列を切り替えて、関心のある他の変数の火山プロットを確認できます。
（100遺伝子、logexprs）
（10000遺伝子、logexprs）
（10000遺伝子、発現、ポアソン）
