¿Cuándo podemos especificar efectos aleatorios para datos de medidas no repetidas en GLMM?@jiancao , su presentación de GLMM en Midyear involucró un ejemplo (Ejemplo #2) donde especificó un efecto aleatorio para un factor con solo una observación por nivel: Había una observación por sujeto en un estudio clínico, pero incluyó Sujeto como un efecto aleatorio para tener en cuenta la variabilidad adicional de sujeto a sujeto. Aprendí modelos mixtos en el contexto de distribuciones de respuesta normal en las que se requieren medidas repetidas para estimar efectos aleatorios, por lo que no estoy familiarizado con este uso de efectos aleatorios.
Dos preguntas:
- ¿Por qué no son necesarias medidas repetidas para estimar los efectos aleatorios en GLMM?
- ¿Es común en su experiencia el uso de efectos aleatorios en GLMM en datos de medidas no repetidas? Si no es común, probablemente evitaría presentar un ejemplo como ese en las demostraciones de GLMM y simplemente me ceñiría a los datos de medidas repetidas.
Re: Efectos aleatorios para datos de medidas no repetidas en GLMM¡Gracias, Ross, por hacer un seguimiento de esto!
Q1.¿Por qué no son necesarias medidas repetidas para estimar los efectos aleatorios en GLMM?
Las distribuciones para los dos modelos GLMM que mostré son Binomial y Poisson. Se consideran distribuciones de un solo parámetro. Para Poisson, el parámetro es λ, que es la media y la varianza; para Binomial, es p, y la media es notario público y la varianza es n*p*(1-p) dónde norte es el tamaño de la muestra. Para distribuciones de parámetros individuales como estas, GLMM puede identificar la variación debida a la variabilidad de sujetos aleatorios con datos transversales. (Estos son los únicos dos modelos GLMM disponibles actualmente en JMP Pro 17).
Q2. ¿Es común en su experiencia el uso de efectos aleatorios en GLMM en datos de medidas no repetidas? Si no es común, probablemente evitaría presentar un ejemplo como ese en las demostraciones de GLMM y simplemente me ceñiría a los datos de medidas repetidas.
UNA. Todavía no he tenido mucha experiencia con GLMM en mi función actual y en mis trabajos anteriores, pero puedo ver cómo GLMM podría ser útil. Por ejemplo, los diseños de parcelas divididas son comunes. El modelo de regresión designado por Custom Design es un modelo lineal mixto ya que supone que la respuesta es continua. ¿Qué sucede si su respuesta es Pasa/Falla o el defecto cuenta? Debería considerar GLMM.
En cuanto a la demostración de GLMM, depende de su audiencia. Si sus prospectos nunca han usado GLM o LMM, entonces GLMM puede ser difícil. Pero si ya conocen GLM o LMM, entonces GLMM es una actualización natural, ya que lo querría.
Re: Efectos aleatorios para datos de medidas no repetidas en GLMMGracias @jiancao . Por lo tanto, parece que los datos transversales funcionan con las distribuciones de respuesta actualmente disponibles en GLMM, pero si una versión futura introduce una distribución con un parámetro de escala independiente (p. ej., Gamma), entonces necesitaríamos datos de medidas repetidas para un GLMM con esa distribución.
Estoy de acuerdo con la aplicabilidad de los GLMM en general. Van a ser populares en un segmento del mercado académico. Tengo más curiosidad específicamente sobre la demostración de un ejemplo como su Ejemplo n. ° 2, donde no tenemos datos de medidas repetidas como lo haríamos en un modelo mixto estándar. Para las personas que usan mucho GLMM, tal vez estén familiarizadas con el uso de efectos aleatorios en contextos transversales como en el Ejemplo n.º 2, pero tal vez esto no sea común y nos gustaría evitar mostrar un ejemplo como ese para evitar confusión o adentrarse demasiado en la maleza estadística.
Re: Efectos aleatorios para datos de medidas no repetidas en GLMMPor lo tanto, parece que los datos transversales funcionan con las distribuciones de respuesta actualmente disponibles en GLMM, pero si una versión futura introduce una distribución con un parámetro de escala independiente (p. ej., Gamma), entonces necesitaríamos datos de medidas repetidas para un GLMM con esa distribución.
Correcto.
Para las personas que usan mucho los GLMM, tal vez estén familiarizadas con el uso de efectos aleatorios en contextos transversales como en el ejemplo n.° 2, pero tal vez esto en realidad no sea común, y nos gustaría evitar mostrar un ejemplo como ese para evitar confusiones o adentrarse demasiado en la maleza estadística.
Las personas que están familiarizadas con GLMM probablemente preguntarán sobre distribuciones como Binomial Negativo o estructuras repetidas como AR(1) para la variabilidad dentro del sujeto, las cuales mencioné al final de mi presentación. En cuanto a si evitar casos de demostración como el ejemplo n.º 2 antes de que salga JMP Pro 18, te dejo decidir.
En mi Ex.#3 Defectos de Fabricación (esto está en la documentación JMP), el conteo se repite por Lote pero no por unidad. Si solo incluye Lot como un efecto aleatorio, termina con una dispersión excesiva (es decir, variabilidad adicional), por lo que el modelo GLMM recomendado es el que tiene tanto Lot como Unit como efectos aleatorios, que mostré.
