混合效应模型对于具有多个随机变异源的数据很有用。 例如，当我们在同一个人身上多次测量结果时，我们需要考虑个人内部和个人之间的可变性。
JMP 开发人员 Elizabeth Claassen 和合著者混合模型的 JMP采用实用的方法来理解数据。 当她支持内布拉斯加大学林肯统计咨询实验室的学生时，她让那些为设计的实验寻求混合模型解决方案并且只想快速得到答案的人感到沮丧。 “要确定混合模型的正确性，你首先必须解释实验中因素和响应之间的关系，”她会说。 “让我们先在纸上画草图。”
在12月2日和12月9日, Elizabeth 将这种实用方法带到了她的开发人员教程中，她将在其中分享她帮助开发的 JMP Pro 混合模型功能的专业知识，并提供这些技术何时以及为何有用的示例。 她将揭穿（或证实）一些混合模特谣言。
谣言一：如何报告线性混合模型的结果？ 不要被 p 值分心。 他们指导而不是指挥决策.
谣言 2：您如何报告个体之间的影响的可变性？ 查看随机效应估计。
谣言三：负方差分量不允许混合模型解释。
谣言 4：固定效应估计值有价值吗？ 是的，它们代表了人群中的最佳猜测平均效应。
谣言五：当您缺少数据或组大小不等时，混合模型就不好用了。
JMP 首席数据科学家 Chris Gotwalt 也感谢 Elizabeth 实施了萨特思韦特置信区间在 JMP Pro 16 Fit Mixed 平台中，使 JMP 用户更容易对方差分量的线性组合进行区间估计。 伊丽莎白显然是一个多才多艺的人，她透露了她的外部兴趣与她对编程的热情之间的关系。 来吧，针织就像编码？ 真的吗？
查看 2021 年的视频，包括讨论12月2日和12月9日现场网络研讨会..
