Creación de modelos mixtos lineales con JMP® Pro 15Use JMP Pro 15 para manejar efectos aleatorios y fijos, medidas repetidas, coeficientes aleatorios y componentes de varianza
Vea cómo:
- Manejar efectos aleatorios y fijos
- Analice una amplia variedad de modelos mixtos lineales de manera fácil y efectiva
- Analice diseños de parcelas divididas utilizando un ejemplo que estudia los efectos de cuatro condiciones de proceso sobre la resistencia en obleas
- Comprender cómo ajustar los mínimos cuadrados estándar puede conducir a inferencias incorrectas
- Comprender cuándo los scripts de modelos mixtos de JMP Pro 15 son útiles para diseños de parcelas divididas
- Analizar medidas repetidas, utilizando un ejemplo que tenga en cuenta la correlación entre las observaciones, para comprender de manera efectiva los efectos del tratamiento.
- Considere y compare estructuras de covarianza alternativas y elija la que mejor se ajuste
- Realice un análisis de crecimiento individual utilizando coeficientes aleatorios y un ejemplo que busque determinar si alguno de los tres tratamientos tuvo un efecto en una respuesta de crecimiento
- Realizar análisis de componentes de varianza utilizando un ejemplo de estudio de sistema de medición
NOTA: Se incluyen preguntas y respuestas en los momentos 37:52 y 53:21.
Recursos:
Use JMP Pro 15 para manejar efectos aleatorios y fijos, medidas repetidas, coeficientes aleatorios y componentes de varianza
Modelado predictivo y aprendizaje automáticoRe: Creación de modelos mixtos lineales con JMP® Pro 15- El modelo mixto proporciona informes de inferencia de modelo condicional, incluidos el generador de perfiles condicional y la gráfica residual condicional. También le permite agregar una estructura de covarianza para tener en cuenta la variabilidad dentro del sujeto (p. ej., RE+AR(1)).
- Correcto. JMP informa los valores p de Wald para las estimaciones de efectos aleatorios.
Re: Creación de modelos mixtos lineales con JMP® Pro 15@jiancao Realmente aprecié este seminario web, un par de preguntas.
¿Puede dar una breve explicación de por qué la personalidad del modelo mixto es mejor que los mínimos cuadrados estándar con REML, incluso en los casos en que producen resultados casi idénticos?
Usted mencionó que sabía que los efectos aleatorios no explicaban una parte significativa de la varianza porque los intervalos de confianza cruzaron la marca cero. Supongo que eso significa que el componente de varianza está lo suficientemente cerca de cero como para que no sea significativo. ¿Es esa una interpretación correcta, y hay otras métricas que comunican una idea similar?
