混合效應模型對於具有多個隨機變異性來源的數據很有用。 例如，當我們在同一個人身上多次測量結果時，我們需要考慮個人內部和個人之間的可變性。
JMP 開發人員 Elizabeth Claassen 和合著者混合模型的 JMP採用實用的方法來理解數據。 當她支持內布拉斯加大學林肯統計諮詢實驗室的學生時，她讓那些為設計的實驗尋求混合模型解決方案並且只想快速得到答案的人感到沮喪。 “要確定混合模型的正確性，你首先必須解釋實驗中因素和響應之間的關係，”她會說。 “讓我們先在紙上畫草圖。”
在12月2日和12月9日, Elizabeth 將這種實用方法帶到了她的開發人員教程中，她將在其中分享她幫助開發的 JMP Pro 混合模型功能的專業知識，並提供這些技術何時以及為何有用的示例。 她將揭穿（或證實）一些混合模特謠言。
謠言一：如何報告線性混合模型的結果？ 不要被 p 值分心。 他們指導而不是指揮決策.
謠言 2：您如何報告個體之間的影響的可變性？ 查看隨機效應估計。
謠言三：負方差分量不允許混合模型解釋。
謠言 4：固定效應估計值有價值嗎？ 是的，它們代表了人群中的最佳猜測平均效應。
謠言五：當您缺少數據或組大小不等時，混合模型就不好用了。
JMP 首席數據科學家 Chris Gotwalt 也稱讚 Elizabeth 實施了薩特思韋特置信區間在 JMP Pro 16 Fit Mixed 平台中，使 JMP 用戶更容易對方差分量的線性組合進行區間估計。 伊麗莎白顯然是一個多才多藝的人，她透露了她的外部興趣與她對編程的熱情之間的關係。 來吧，針織就像編碼？ 真的嗎？
查看 2021 年的視頻，包括討論12月2日和12月9日現場網絡研討會..
