我们什么时候可以为 GLMM 中的非重复测量数据指定随机效应@剑草，您在年中的 GLMM 演示文稿涉及一个示例（示例 #2），其中您为一个因子指定了一个随机效应，每个水平只有一个观察值：在临床研究中每个受试者有一个观察值，但您将主题作为随机效应包含在考虑到额外的受试者间变异性。 我在正态响应分布的背景下学习了混合模型，其中需要重复测量来估计随机效应，所以我不熟悉这种随机效应的使用。
两个问题：
- 为什么不需要重复测量来估计 GLMM 中的随机效应？
- 在您的经验中，在 GLMM 中对非重复测量数据使用随机效应是否常见？ 如果它不常见，我可能会避免在 GLMM 演示中提供类似的示例，而只是坚持重复测量数据。
回复：GLMM 中非重复测量数据的随机效应谢谢你，罗斯，跟进此事！
Q1。为什么不需要重复测量来估计 GLMM 中的随机效应？
我展示的两个 GLMM 模型的分布是二项式和泊松。 它们被认为是单参数分布。 对于泊松，参数为λ，即均值和方差；对于二项式，它是 p，平均值是n*p和方差是n*p*(1-p)在哪里n是样本量。 对于像这些 GLMM 这样的单参数分布，可以通过横截面数据识别由于随机受试者变异性引起的变异。 （这是 JMP Pro 17 目前仅有的两个 GLMM 模型。）
Q2。 在您的经验中，在 GLMM 中对非重复测量数据使用随机效应是否常见？ 如果它不常见，我可能会避免在 GLMM 演示中提供类似的示例，而只是坚持重复测量数据。
一个。 在我目前的角色和以前的工作中，我还没有很多使用 GLMM 的经验，但我可以看到 GLMM 是如何有用的。 例如，裂区设计很常见。 Custom Design 指定的回归模型是线性混合模型，因为它假定响应是连续的。 如果您的响应是通过/失败或缺陷计数怎么办？ 您应该考虑 GLMM。
至于是否演示 GLMM，这取决于您的受众。 如果您的潜在客户从未使用过 GLM 或 LMM，那么 GLMM 可能很难。 但是如果他们已经知道 GLM 或 LMM，那么 GLMM 是一个自然的升级，因为我想要它。
回复：GLMM 中非重复测量数据的随机效应谢谢@剑草. 所以听起来横截面数据适用于 GLMM 中当前可用的响应分布，但如果未来版本引入了具有单独尺度参数（例如 Gamma）的分布，那么我们将需要具有该分布的 GLMM 的重复测量数据。
我一般同意 GLMM 的适用性。 它们将在学术市场的一部分中流行。 我对演示像示例 #2 这样的示例更感兴趣，在该示例中，我们没有像在标准混合模型中那样重复测量数据。 对于经常使用 GLMM 的人来说，也许他们熟悉在示例 #2 中使用横截面上下文中的随机效应，但也许这实际上并不常见，我们希望避免演示这样的示例以避免混乱或在统计杂草中走得太远。
回复：GLMM 中非重复测量数据的随机效应所以听起来横截面数据适用于 GLMM 中当前可用的响应分布，但如果未来版本引入了具有单独尺度参数（例如 Gamma）的分布，那么我们将需要具有该分布的 GLMM 的重复测量数据。
正确的。
对于经常使用 GLMM 的人来说，也许他们熟悉在示例 #2 中使用横截面上下文中的随机效应，但也许这实际上并不常见，我们希望避免演示这样的示例避免混淆或深入统计杂草。
对于熟悉 GLMM 的人，他们可能会询问像负二项式这样的分布或像 AR(1) 这样的重复结构，用于主题内的可变性，我在演讲结束时提到了这两者。 至于是否在 JMP Pro 18 出来之前避免像示例 2 这样的演示案例，我让你决定。
在我的 Ex.#3 Manufacturing Defects（这在 JMP 文档中）中，每个批次重复计数，但不是每单位。 如果您仅将 Lot 作为随机效应包括在内，那么最终会导致过度分散（即额外的可变性），因此推荐的 GLMM 模型是 Lot 和 Unit 作为随机效应的模型，我已经展示了这一点。
