JMP 17 和 JMP Pro 17 中添加了许多新功能，其中一些功能在我们最近的美洲探索峰会事件。在 JMP Pro 17 中使用 GLMM，我们很高兴在最近的一集中介绍了世界上最重要的 GLLM 专家之一统计学上讲. 内布拉斯加大学名誉教授沃尔特·斯特鲁普（Walter Stroup），美国统计协会会员，合著者和多本书的作者，包括：广义线性混合模型：现代概念、方法和应用举行了开幕全体会议。 我们也很高兴邀请到他以前的一位学生 Elizabeth Claassen 博士主持闭幕全体会议。她现在是 JMP 的高级研究统计开发人员，是新 GLMM 功能的首席开发人员。 她与人合着了几本书，包括混合模型的 JMP (您可以访问第一章这本书免费) .
我们有很多来自观众的好问题，我们没有时间回答，沃尔特和伊丽莎白友好地详细阐述了提出的一些问题，并为以下其余问题提供了答案。Elizabeth 解决了 JMP 特定的问题，并在随后的其他问题上进行了合作。
伊丽莎白的一封信
当我用二项式数据完成第一个示例时，我打算再次在 GLMM 拟合中显示分析器，以将置信区间与 LMM 中的置信区间进行比较。 我猜我很兴奋能看到第二个例子！ 所以，让我们在这里看看它们。
首先，这是来自第一个 LMM 数据拟合的 Profiler。
如演示文稿中所述，在诊所 6 的对照治疗中获得有利结果的预测概率的置信区间为 (-0.193, 0.226)。 这种负概率估计是不可行的，因为概率必须在 0 和 1 之间！
GLMM 的拟合效果如何？ 让我们添加相同的条件分析器并查看。
在这里，诊所 6 的对照治疗的预测概率为 0.056，略高于 LMM，但不是很多。 但是，置信区间现在处于概率的合理范围内（0.012，0.232）。 因为我们正在对 logit 进行建模，所以当我们使用反向链接函数来获取概率时，我们保证得到的概率在 0 和 1 之间。 我们不再需要担心没有“意义”的 CI。 泊松分布和对数链接也是如此；我们保证预测率大于 0。
但是您的 CI 包含一个，那么您为什么要将其报告为重要，而只是说一个趋势呢？
在临床试验示例中，当我们使用二项分布适当分析数据时，我们最终得到了一个固定效应检验 p 值 0.0987。 根据具体情况，我们可能会认为这在 a =0.10 水平。 优势比的置信区间以默认的 95% 置信度报告。 这对应于一个一个=0.05 水平并导致比 90% 置信区间更宽的区间。 这个 95% 的区间确实包含 1，这通常被认为是不重要的。 因此，它看起来像是重要性和“趋势”之间的不匹配。
我们可以将报告中使用的 alpha 级别更改为一个=0.10，然后我们可以看到会发生什么。 默认 alpha 是“模型对话框”红色小三角菜单中的一个选项。
随着 alpha 水平的改变，我们看到我们的 p 值与以前相同，即 0.0987，现在优势比的相应 90% CI 不再包含 1。 现在 CI 的 alpha 水平“匹配”与比较报告的 p 值在一个=0.10。
我最终会使用一个=0.10 在这种临床情况下？ 可能不会，特别是如果这是一项后期试验。 我引用该级别只是为了演示。 但是在某些情况下（可能在早期药物开发中），更宽松的显着性水平是合理的。 在某些情况下，需要更严格的显着性水平！
为什么不在 GLMM 中显示“总百分比”方差分量？
这是一个很好的问题，突出了高斯 LMM 和 GLMM 之间的另一个区别。
在 LMM 中，我们在随机效应协方差参数估计表中包含总方差的百分比，因为在 LMM 中，它确实是响应可变性的分区。
然而，在 GLMM 中，方差分量现在没有以相同的方式划分响应的可变性，因为分布不是高斯分布。 对于此示例，诊所 ID 方差是对诊所之间对数或对数几率的变异性的估计。 诊所 ID * Trt 方差是对数优势 * 比率 * 的可变性的估计。 因为可变性不在同一尺度上，所以我们没有以与 LMM 中相同的方式获得的总计，因此无法报告总计的百分比。 在 GLMM 上下文中没有意义。
有足够样本量的任何指导方针吗？
重要的问题。 足够的样本量——以及为准确性和效率而精心策划的研究设计——使您能够充分利用 GLMM 分析。 我的 [Walt's] GLMM 教科书第 16 章（广义线性混合模型——现代概念、方法和应用，2013 年，CRC 出版社) 描述了用于确定功效和样本大小的基于 GLMM 的方法，并提供了几个示例来展示如何实现这些方法。 基于 GLMM 的方法是对高斯混合模型功效和样本量程序的扩展，在第 4 章中描述用于混合模型的 SAS , 2018 年版。 本章还介绍了可以与混合模型功率计算结合使用的设计选择方法。 您可以将这些方法与 GLMM 以及高斯混合模型一起使用。
您认为 GLMM 的 JMP 实现会让更多人了解并使用这类相对较新的模型吗？也许它会使教授概念变得更容易？
是的。 一点历史。 在 1990 年代初引入 SAS PROC MIXED 之后，对混合模型研讨会和短期课程的需求强烈——来自专业会议、ASA 分会、私营企业和政府实体，如 FDA、CDC、农业研究服务等. 我隶属于两个组织，南方实验站大学统计学家 (USSES) 和中北部协调委员会 (NCCC)，其成员共同代表了美国大多数赠地大学的应用统计实体。那些拥有统计学学位课程的大学修改了他们的线性模型课程，以包括混合模型，并修改了他们的研究生统计方法课程，这些课程被认为是“统计方法的消费者”，以包括与这些消费者的需求相关的混合模型方法。 类似的事情发生在 PROC GLIMMIX 的引入期间。
从 2022 年的角度来看，“线性模型”意味着 GLMM——经典 ANOVA 和回归模型、广义线性模型、高斯——又名线性——混合模型都是 GLMM 的特例。 内布拉斯加大学的统计学学位课程相应地修改了其统计方法和线性模型核心课程，其他几所 USSES 或 NCCC 参与大学也是如此。 医学院的许多生物统计学项目也这样做了。
考虑到这段历史，GLMM 的 JMP 实施应该在两个方面产生影响：对统计学和数据科学学位课程的影响，以及对已经获得学位并在学术界、政府或私营部门工作的 JMP 用户的意识。 数据科学的本科学位课程正在激增。 这些课程的学生需要对 GLMM 以及如何使用它们有一定的了解。 JMP 是在这种情况下用作教学工具的理想软件。 对于那些在没有 GLMM 部分的情况下获得学位的人来说，继续教育是必须的。 在 JMP 中实施 GLMM 应有助于刺激需求。 使用 JMP 实施 GLMM 的示例将成为继续教育研讨会和短期课程不可或缺的一部分。
与“神经网络”相比，在使用 GLMM 时处理数据的“残差”方面是否会使其在实用性上有点过时？
不同的建模程序有时间和地点。 神经网络在使用的数据类型（响应和预测变量）方面具有惊人的灵活性。 当有很多预测变量或非结构化或观察数据时，它们可以非常擅长预测。 然而，在可以进行某种形式的研究设计（设计实验、调查设计、可以组织为伪实验的回顾性研究）的环境中，GLMM 更适合估计或测试因素或治疗效果或向研究人员提供解释至于“最佳”因子设置等。加利特·什穆埃利在她精彩的论文“解释还是预测？”中阐述了这些问题。 （Shmueli, G. 2010。 解释还是预测？ , 统计科学 25，没有。 3, 289–310;我们也很高兴能在一集中展示她分析说）。
扩展这一点，我们通常使用 GLMM 处理结构化数据，可能来自设计的实验、计划的调查或回顾性的伪实验。 为各种变异来源（区组、整区和裂区、观察单位）定义了实验单位（或其样本调查等价物），并且通常定义了处理方法，例如我们示例中的对照和药物或完成处理. 研究人员通常有特定的目标，例如衡量治疗效果或找到最佳治疗水平，并且需要解释他们所达到的模型和决策。 在这些情况下，正式的线性模型是更好的程序选择，因此我们必须通过使用所有必要的固定和随机项拟合适当的分布来“处理”“残差”。
我们感谢 Walt 和 Elizabeth 花时间分享他们对 GLMM 的更多知识以及一些相对较新且引人入胜的统计历史！我们希望您会观看此点播版本插曲的统计语言，看看如何避免偏见并通过使用 GLMM 从数据中获得更多价值。
