混合效應模型對於具有多個隨機變異來源的資料非常有用。例如，當我們對同一個人進行多次測量結果時，我們需要考慮人內和人際差異。
JMP 開發人員 Elizabeth Claassen 和《JMP for Mixed Models》的合著者採用實用方法來理解資料。當她為內布拉斯加大學林肯分校統計諮詢實驗室的學生提供支援時，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。 「為了確定混合模型的正確性，你首先必須解釋實驗中因素和反應之間的關係，」她說。 “讓我們從在紙上畫草圖開始。”
12 月 2 日和12 月 9 日，Elizabeth 在她的開發人員教程中引入了這種實用方法，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，並提供有關這些技術何時以及為何有用的範例。她將揭穿（或可能證實）一些混血模特兒的謠言。
謠言 1：如何報告線性混合模型的結果？不要被 p 值分散注意力。他們指導而不是命令決策。
謠言 2：您如何報告個體之間的影響有多大？查看隨機效應估計。
謠言 3：負方差分量不允許混合模型解釋。
謠言四：固定效應估計值有價值嗎？是的，它們代表了對人群的最佳猜測平均效應。
謠言 5：當資料遺失或群組大小不相等時，混合模型就不好。
JMP 首席資料科學家 Chris Gotwalt 也稱讚 Elizabeth 在 JMP Pro 16 Fit Mixed 平台中實作了Satterthwaite 信賴區間，使 JMP 使用者更容易對變異數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程式設計的熱情之間的關係。來吧，編織就像編碼一樣？真的嗎？
請觀看 2021 年12 月 2 日和12 月 9 日現場網路研討會的視頻，包括討論。
