Modelle mit gemischten Effekten sind nützlich für Daten mit mehr als einer Quelle zufälliger Variabilität. Wenn wir beispielsweise ein Ergebnis mehr als einmal an derselben Person gemessen haben, müssen wir sowohl die Variabilität innerhalb als auch zwischen Personen berücksichtigen.
JMP-Entwicklerin Elizabeth Claassen und Co-Autorin von JMP für gemischte Modelle verfolgt einen praktischen Ansatz, um Daten zu verstehen. Als sie Studenten am Statistical Consulting Lab der University of Nebraska-Lincoln unterstützte, frustrierte sie diejenigen, die nach einer gemischten Modelllösung für ein entworfenes Experiment suchten und nur eine schnelle Antwort wollten. „Um die Korrektheit eines gemischten Modells zu bestimmen, müssen Sie zuerst die Beziehung zwischen den Faktoren und der Reaktion in Ihrem Experiment erklären“, sagte sie. „Beginnen wir damit, das auf Papier zu skizzieren.“
Auf 2. Dez und 9. Dez , bringt Elizabeth diesen praktischen Ansatz in ihre Entwickler-Tutorials ein, in denen sie ihr Fachwissen über die Funktionen von JMP Pro für gemischte Modelle weitergibt, an deren Entwicklung sie mitgewirkt hat, und Beispiele dafür liefert, wann und warum die Techniken nützlich sind. Sie wird einige gemischte Modellgerüchte entlarven (oder vielleicht bestätigen).
Gerücht 1: Wie berichtet man über die Ergebnisse eines linearen gemischten Modells? Lassen Sie sich nicht von p-Werten ablenken. Sie lenken die Entscheidungsfindung, nicht sie diktieren .
Gerücht 2: Wie berichten Sie, wie unterschiedlich die Wirkung zwischen Individuen ist? Sehen Sie sich die Zufallseffektschätzungen an.
Gerücht 3: Negative Varianzkomponenten lassen keine Mixed-Model-Interpretationen zu.
Gerücht 4: Sind die Fixed-Effects-Schätzungen wertvoll? Ja, sie stellen die bestmöglich geschätzten durchschnittlichen Effekte in der Population dar.
Gerücht 5: Gemischte Modelle sind nicht gut, wenn Sie fehlende Daten oder ungleiche Gruppengrößen haben.
Chris Gotwalt, JMP Chief Data Scientist, schreibt Elizabeth auch die Implementierung von zu Satterthwaite-Konfidenzintervalle in der JMP Pro 16 Fit Mixed-Plattform, wodurch die Intervallschätzung von linearen Kombinationen von Varianzkomponenten für JMP-Benutzer viel einfacher wird. Elizabeth ist eindeutig ein Multitalent und enthüllte, wie ihre externen Interessen mit ihrer Leidenschaft für das Programmieren zusammenhängen. Komm schon, Stricken ist wie Programmieren? Wirklich?
Sehen Sie sich die Videos, einschließlich Diskussionen, aus dem Jahr 2021 an 2. Dez und 9. Dez Live-Webinare..
