GLMM 中非重複測量數據的隨機效應@劍草，您在年中的 GLMM 演示文稿涉及一個示例（示例 #2），其中您為每個水平只有一個觀察值的因素指定了一個隨機效應：在臨床研究中每個受試者都有一個觀察值，但您將受試者作為隨機效應包括在內考慮到額外的主題到主題的可變性。 我在正態響應分佈的背景下學習了混合模型，其中需要重複測量來估計隨機效應，所以我不熟悉隨機效應的這種用法。
兩個問題：
- 為什麼不需要重複測量來估計 GLMM 中的隨機效應？
- 根據您的經驗，在 GLMM 中對非重複測量數據使用隨機效應是否常見？ 如果它不常見，我可能會避免在 GLMM 演示中展示這樣的示例，而只是堅持重複測量數據。
回复：GLMM 中非重複測量數據的隨機效應因此，這聽起來像是橫截面數據適用於 GLMM 中當前可用的響應分佈，但如果未來版本引入具有單獨比例參數（例如 Gamma）的分佈，那麼我們將需要具有該分佈的 GLMM 的重複測量數據。
正確的。
對於經常使用 GLMM 的人來說，也許他們熟悉示例 #2 中橫截面上下文中隨機效應的使用，但也許這實際上並不常見，我們希望避免演示這樣的示例避免混淆或在統計雜草中走得太遠。
對於熟悉 GLMM 的人，他們可能會詢問諸如負二項式之類的分佈或諸如 AR(1) 之類的重複結構，以了解主體內的可變性，這兩種情況我都在演示結束時提到過。 至於在 JMP Pro 18 出來之前是否避免像示例 #2 這樣的演示案例，我讓你決定。
在我的 Ex.#3 Manufacturing Defects（在 JMP 文檔中）中，每批重複計數，但不是每單位。 如果您只將 Lot 作為隨機效應包括在內，您最終會過度分散（即，額外的可變性），因此推薦的 GLMM 模型是將 Lot 和 Unit 作為隨機效應的模型，我已經展示了這一點。
回复：GLMM 中非重複測量數據的隨機效應謝謝@劍草. 因此，這聽起來像是橫截面數據適用於 GLMM 中當前可用的響應分佈，但如果未來版本引入具有單獨比例參數（例如 Gamma）的分佈，那麼我們將需要具有該分佈的 GLMM 的重複測量數據。
我總體上同意 GLMM 的適用性。 它們將在學術市場的一部分中流行。 我更好奇的是演示像您的示例 #2 這樣的示例，在該示例中我們沒有像在標準混合模型中那樣重複測量數據。 對於經常使用 GLMM 的人，也許他們熟悉示例 #2 中橫截面上下文中隨機效應的使用，但也許這實際上並不常見，我們希望避免演示這樣的示例以避免混淆或在統計雜草中走得太遠。
回复：GLMM 中非重複測量數據的隨機效應羅斯，謝謝你跟進此事！
Q1。為什麼不需要重複測量來估計 GLMM 中的隨機效應？
我展示的兩個 GLMM 模型的分佈是二項分佈和泊松分佈。 它們被認為是單參數分佈。 對於泊松，參數為λ，即均值和方差；對於二項式，它是 p，平均值是n*p方差是n*p*(1-p)在哪裡n是樣本量。 對於像這樣的單身人士參數分佈，GLMM 可以通過橫截面數據識別由於隨機受試者變異性引起的變異。 （這是 JMP Pro 17 當前可用的僅有的兩個 GLMM 模型。）
Q2。 根據您的經驗，在 GLMM 中對非重複測量數據使用隨機效應是否常見？ 如果它不常見，我可能會避免在 GLMM 演示中展示這樣的示例，而只是堅持重複測量數據。
A。 在我目前的角色和以前的工作中，我還沒有很多 GLMM 的經驗，但我可以看到 GLMM 的用處。 例如，裂區設計很常見。 Custom Design 指定的回歸模型是線性混合模型，因為它假定響應是連續的。 如果您的回答是通過/未通過或缺陷計數怎麼辦？ 你應該考慮 GLMM。
至於是否演示 GLMM，這取決於您的受眾。 如果您的潛在客戶從未使用過 GLM 或 LMM，那麼 GLMM 可能很難。 但是如果他們已經知道 GLM 或 LMM，那麼 GLMM 是一個自然的升級，因為我想要它。
