Zufällige Effekte für nicht wiederholte Messdaten in GLMM@jiancao , Ihre GLMM-Präsentation zur Jahresmitte beinhaltete ein Beispiel (Beispiel Nr. 2), in dem Sie einen zufälligen Effekt für einen Faktor mit nur einer Beobachtung pro Stufe angegeben haben: Es gab eine Beobachtung pro Proband in einer klinischen Studie, aber Sie haben den Probanden als zufälligen Effekt in aufgenommen berücksichtigen zusätzliche Variabilität von Subjekt zu Subjekt. Ich habe gemischte Modelle im Zusammenhang mit normalen Antwortverteilungen gelernt, bei denen wiederholte Messungen erforderlich sind, um Zufallseffekte zu schätzen, daher bin ich mit dieser Verwendung von Zufallseffekten nicht vertraut.
Zwei Fragen:
- Warum sind keine wiederholten Messungen notwendig, um zufällige Effekte in GLMMs abzuschätzen?
- Ist die Verwendung von zufälligen Effekten in GLMMs auf Daten nicht wiederholter Messungen Ihrer Erfahrung nach üblich? Wenn es nicht üblich ist, würde ich es wahrscheinlich vermeiden, ein solches Beispiel in GLMM-Demos zu präsentieren, und mich einfach an Daten mit wiederholten Messungen halten.
Betreff: Zufällige Effekte für nicht wiederholte Messdaten in GLMMEs hört sich also so an, als würden Querschnittsdaten mit den derzeit verfügbaren Antwortverteilungen in GLMM funktionieren, aber wenn eine zukünftige Version eine Verteilung mit einem separaten Skalenparameter (z. B. Gamma) einführt, würden wir Daten für wiederholte Messungen für eine GLMM mit dieser Verteilung benötigen.
Richtig.
Leute, die häufig GLMMs verwenden, sind vielleicht mit der Verwendung zufälliger Effekte in Querschnittskontexten wie in Beispiel 2 vertraut, aber vielleicht ist dies tatsächlich nicht üblich, und wir möchten vermeiden, ein solches Beispiel vorzuführen vermeiden Sie Verwirrung oder geraten Sie zu weit in das statistische Unkraut.
Personen, die mit GLMM vertraut sind, werden wahrscheinlich nach Verteilungen wie Negative Binomial oder wiederholten Strukturen wie AR(1) für Variabilität innerhalb eines Subjekts fragen, die ich beide am Ende meiner Präsentation erwähnt habe. Ob Sie vermeiden möchten, Fälle wie Beispiel 2 zu demonstrieren, bevor JMP Pro 18 herauskommt, überlasse ich Ihnen.
In meinem Beispiel Nr. 3 Herstellungsfehler (dies ist in der JMP-Dokumentation) wird die Zählung jedoch pro Los wiederholt nicht pro Einheit. Wenn Sie Lot nur als Zufallseffekt einbeziehen, kommt es zu einer Überstreuung (dh zusätzliche Variabilität). Daher ist das empfohlene GLMM-Modell dasjenige mit sowohl Lot als auch Einheit als zufällige Effekte, wie ich gezeigt habe.
Betreff: Zufällige Effekte für nicht wiederholte Messdaten in GLMMDanke @jiancao . Es hört sich also so an, als würden Querschnittsdaten mit den derzeit verfügbaren Antwortverteilungen in GLMM funktionieren, aber wenn eine zukünftige Version eine Verteilung mit einem separaten Skalenparameter (z. B. Gamma) einführt, würden wir Daten für wiederholte Messungen für eine GLMM mit dieser Verteilung benötigen.
Ich stimme der Anwendbarkeit von GLMMs im Allgemeinen zu. Sie werden in einem Segment des akademischen Marktes beliebt sein. Ich bin eher neugierig, ein Beispiel wie Ihr Beispiel Nr. 2 zu demonstrieren, bei dem wir keine Daten für wiederholte Messungen haben, wie dies bei einem gemischten Standardmodell der Fall wäre. Leute, die häufig GLMMs verwenden, sind vielleicht mit der Verwendung zufälliger Effekte in Querschnittskontexten wie in Beispiel 2 vertraut, aber vielleicht ist dies tatsächlich nicht üblich, und wir möchten vermeiden, ein solches Beispiel zu demonstrieren, um dies zu vermeiden Verwirrung oder zu weit in das statistische Unkraut geraten.
Betreff: Zufällige Effekte für nicht wiederholte Messdaten in GLMMDanke, Ross, dass du dem nachgehst!
Q1.Warum sind keine wiederholten Messungen notwendig, um zufällige Effekte in GLMMs abzuschätzen?
Die Verteilungen für die beiden GLMM-Modelle, die ich gezeigt habe, sind Binomial und Poisson. Sie werden als Single-Parameter-Verteilungen betrachtet. Für Poisson ist der Parameter λ, was Mittelwert und Varianz ist; für Binomial ist es p und der Mittelwert ist n*p und Varianz ist n*p*(1-p) Wo N Stichprobenumfang ist. Für einzelne Parameterverteilungen wie diese kann GLMM die Variation aufgrund zufälliger Subjektvariabilität mit Querschnittsdaten identifizieren. (Dies sind die einzigen beiden GLMM-Modelle, die derzeit in JMP Pro 17 verfügbar sind.)
Q2. Ist die Verwendung von zufälligen Effekten in GLMMs auf Daten nicht wiederholter Messungen Ihrer Erfahrung nach üblich? Wenn es nicht üblich ist, würde ich es wahrscheinlich vermeiden, ein solches Beispiel in GLMM-Demos zu präsentieren, und mich einfach an Daten mit wiederholten Messungen halten.
A. Ich habe in meiner jetzigen Rolle und in meinen früheren Jobs noch nicht viel Erfahrung mit GLMM gemacht, aber ich kann sehen, wie GLMM nützlich sein könnte. Beispielsweise sind Split-Plot-Designs üblich. Das von Custom Design bezeichnete Regressionsmodell ist ein lineares gemischtes Modell, da es davon ausgeht, dass die Antwort kontinuierlich ist. Was ist, wenn Ihre Antwort Bestanden/Nicht bestanden ist oder Fehler zählen? Sie sollten GLMM in Betracht ziehen.
Ob Sie GLMM demonstrieren, hängt von Ihrem Publikum ab. Wenn Ihre potenziellen Kunden GLM oder LMM noch nie verwendet haben, kann GLMM schwierig sein. Aber wenn sie GLM oder LMM bereits kennen, dann ist GLMM ein natürliches Upgrade, da ich es haben möchte.
