混合效应模型对于具有多个随机变异源的数据非常有用。例如，当我们对同一个人多次测量结果时，我们需要考虑人内和人际差异。
JMP 开发人员 Elizabeth Claassen 和《JMP for Mixed Models》的合著者采用实用方法来理解数据。当她为内布拉斯加大学林肯分校统计咨询实验室的学生提供支持时，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。 “为了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，”她说。 “让我们从在纸上画草图开始吧。”
12 月 2 日和12 月 9 日，Elizabeth 在她的开发人员教程中引入了这种实用方法，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，并提供有关这些技术何时以及为何有用的示例。她将揭穿（或者可能证实）一些混血模特的谣言。
谣言 1：如何报告线性混合模型的结果？不要被 p 值分散注意力。他们指导而不是命令决策。
谣言 2：您如何报告个体之间的影响有多大？查看随机效应估计。
谣言 3：负方差分量不允许混合模型解释。
谣言四：固定效应估计值有价值吗？是的，它们代表了对人群的最佳猜测平均效应。
谣言 5：当数据丢失或组大小不相等时，混合模型就不好。
JMP 首席数据科学家 Chris Gotwalt 还称赞 Elizabeth 在 JMP Pro 16 Fit Mixed 平台中实施了Satterthwaite 置信区间，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，编织就像编码一样？真的吗？
请观看 2021 年12 月 2 日和12 月 9 日现场网络研讨会的视频，包括讨论。
