Effetti casuali per dati di misure non ripetute in GLMM@jiancao , la tua presentazione GLMM a metà anno includeva un esempio (Esempio n. 2) in cui hai specificato un effetto casuale per un fattore con una sola osservazione per livello: C'era un'osservazione per soggetto in uno studio clinico, ma hai incluso Soggetto come effetto casuale per tenere conto dell'ulteriore variabilità da soggetto a soggetto. Ho appreso modelli misti nel contesto di normali distribuzioni di risposta in cui sono necessarie misure ripetute per stimare effetti casuali, quindi non ho familiarità con questo uso di effetti casuali.
Due domande:
- Perché non sono necessarie misure ripetute per stimare gli effetti casuali nei GLMM?
- L'uso di effetti casuali nei GLMM su dati di misure non ripetute è comune nella tua esperienza? Se non è comune, probabilmente eviterei di presentare un esempio del genere nelle demo GLMM e mi limiterei a limitarmi a dati di misure ripetute.
Ri: Effetti casuali per dati di misure non ripetute in GLMMQuindi sembra che i dati trasversali funzionino con le distribuzioni di risposta attualmente disponibili in GLMM, ma se una versione futura introduce una distribuzione con un parametro di scala separato (ad esempio Gamma), allora avremmo bisogno di dati di misure ripetute per un GLMM con quella distribuzione.
Corretto.
Per le persone che usano molto GLMM, forse hanno familiarità con l'uso di effetti casuali in contesti trasversali come nell'esempio n. 2, ma forse questo in realtà non è comune e vorremmo evitare di dimostrare un esempio del genere per evitare confusione o andare troppo lontano nelle erbacce statistiche.
Per le persone che hanno familiarità con GLMM, probabilmente chiederanno informazioni su distribuzioni come Negative Binomial o strutture ripetute come AR (1) per la variabilità all'interno del soggetto, entrambe citate alla fine della mia presentazione. Per quanto riguarda l'opportunità di evitare casi dimostrativi come l'esempio n. 2 prima dell'uscita di JMP Pro 18, lascio decidere a te.
Nei miei difetti di fabbricazione Ex.#3 (questo è nella documentazione JMP), il conteggio viene ripetuto per lotto ma non per unità. Se includi solo Lot come effetto casuale, finisci con un'eccessiva dispersione (cioè una variabilità extra), quindi il modello GLMM consigliato è quello con Lot e Unit come effetti casuali, che ho mostrato.
Ri: Effetti casuali per dati di misure non ripetute in GLMMGrazie @jiancao . Quindi sembra che i dati trasversali funzionino con le distribuzioni di risposta attualmente disponibili in GLMM, ma se una versione futura introduce una distribuzione con un parametro di scala separato (ad esempio Gamma), allora avremmo bisogno di dati di misure ripetute per un GLMM con quella distribuzione.
Sono d'accordo sull'applicabilità dei GLMM in generale. Diventeranno popolari in un segmento del mercato accademico. Sono più curioso in particolare di dimostrare un esempio come il tuo esempio n. 2, in cui non abbiamo dati di misure ripetute come faremmo in un modello misto standard. Per le persone che usano molto GLMM, forse hanno familiarità con l'uso di effetti casuali in contesti trasversali come nell'esempio n. 2, ma forse questo in realtà non è comune e vorremmo evitare di dimostrare un esempio del genere per evitare confusione o andare troppo lontano nelle erbacce statistiche.
Ri: Effetti casuali per dati di misure non ripetute in GLMMGrazie, Ross, per aver seguito questo!
Q1.Perché non sono necessarie misure ripetute per stimare gli effetti casuali nei GLMM?
Le distribuzioni per i due modelli GLMM che ho mostrato sono Binomiale e Poisson. Sono considerate distribuzioni a parametro singolo. Per Poisson, il parametro è λ, che è la media e la varianza; per Binomiale, è p, e la media è n*p e la varianza è n*p*(1-p) Dove N è la dimensione del campione. Per singole distribuzioni di parametri come queste, GLMM può identificare la variazione dovuta alla variabilità casuale del soggetto con dati trasversali. (Questi sono gli unici due modelli GLMM attualmente disponibili in JMP Pro 17.)
D2. L'uso di effetti casuali nei GLMM su dati di misure non ripetute è comune nella tua esperienza? Se non è comune, probabilmente eviterei di presentare un esempio del genere nelle demo GLMM e mi limiterei a limitarmi a dati di misure ripetute.
UN. Non ho ancora avuto molta esperienza con GLMM nel mio ruolo attuale e nei miei lavori precedenti, ma posso vedere come GLMM potrebbe essere utile. Ad esempio, i progetti a trama divisa sono comuni. Il modello di regressione designato da Custom Design è un modello misto lineare poiché presuppone che la risposta sia continua. Cosa succede se la tua risposta è Pass/Fail o il difetto conta? Dovresti considerare GLMM.
Per quanto riguarda la dimostrazione di GLMM, dipende dal tuo pubblico. Se i tuoi potenziali clienti non hanno mai utilizzato GLM o LMM, GLMM potrebbe essere difficile. Ma se conoscono già GLM o LMM, GLMM è un aggiornamento naturale poiché lo vorrei.
