JMP 17 和 JMP Pro 17 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。随着 GLMM 现已纳入 JMP Pro 17，我们很高兴在我们最近的节目中邀请到世界上最重要的 GLMM 专家之一从统计学上来说。 内布拉斯加大学名誉教授沃尔特·斯特鲁普 (Walter Stroup)、美国统计协会院士、多本书的合著者和作者，包括：广义线性混合模型：现代概念、方法和应用作了开幕全体会议。 我们还很高兴邀请到他以前的学生之一伊丽莎白·克拉森 (Elizabeth Claassen) 博士在闭幕全体会议上发表讲话。她现在是 JMP 的高级研究统计学家开发人员，是新 GLMM 功能的首席开发人员。 她与人合着了多本书，包括JMP 混合模型 (您可以访问第一章本书免费） 。
观众提出了很多很好的问题，我们没有时间回答，沃尔特和伊丽莎白对提出的一些问题进行了详细的阐述，并为下面其余的问题提供了答案。Elizabeth 解决了 JMP 的具体问题，并就接下来的其他问题进行了合作。
伊丽莎白的一封信
当我使用二项式数据完成第一个示例时，我打算在 GLMM 拟合中再次显示刻画器，以将置信区间与 LMM 中的置信区间进行比较。 我想我很兴奋能看到第二个例子！ 那么，让我们在这里看看它们。
首先，这是第一个 LMM 数据拟合的探查器。
如演示文稿中所述，诊所 6 的对照治疗取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 到 1 之间！
GLMM 拟合效果如何？ 让我们添加相同的条件分析器并查看。
这里，诊所 6 的对照治疗的预测概率为 0.056，比 LMM 高一点，但也不是很多。 不过，置信区间现在处于合理的概率范围内 (0.012, 0.232)。 因为我们正在对 Logit 进行建模，所以当我们使用逆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。 我们不再需要担心那些没有“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。
但您的 CI 包含一个，那么您为什么要将其报告为重要的，而只是说一种趋势呢？
在临床试验示例中，当我们使用二项分布适当分析数据时，我们最终得到的固定效应检验 p 值为 0.0987。 根据上下文，我们可能会认为这在第一时间很重要=0.10级。 比值比的置信区间以默认的 95% 置信度报告。 这对应于一个A =0.05 水平，结果区间比 90% 置信区间更宽。 这个 95% 区间确实包含 1，这通常被认为是不显着的。 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A =0.10，然后我们可以看看会发生什么。 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 水平的变化，我们看到 p 值与之前相同，即 0.0987，现在优势比相应的 90% CI 不再包含 1。 现在，CI 的 alpha 水平与报告的 p 值“匹配”，在A =0.10。
我最终会使用A =0.10 在这种临床背景下？ 可能不会，特别是如果这是一项后期试验的话。 我引用该级别只是为了演示。 但在某些情况下（也许在早期药物开发中），更宽松的显着性水平是合理的。 还有一些情况需要更严格的显着性水平！
为什么不在 GLMM 中显示“总计百分比”方差分量？
这是一个很好的问题，凸显了高斯 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，它确实是响应变异性的划分。
然而，在 GLMM 中，方差分量现在不再以相同的方式划分响应的变异性，因为分布不是高斯分布。 对于本示例，诊所 ID 方差是对诊所之间 Logits 或对数赔率变异性的估计。 Clinic ID * Trt 方差是对数优势 *比率* 变异性的估计。 由于变异性不在同一范围内，因此我们无法以与 LMM 相同的方式获得总数，然后报告总数的百分比。 这在 GLMM 上下文中没有意义。
有足够样本量的指导方针吗？
重要的问题。 足够的样本量以及为准确性和效率而精心规划的研究设计，使您能够充分利用 GLMM 分析。 我的 [Walt] 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，CRC Press ）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说明如何实现这些方法。 基于 GLMM 的方法是高斯混合模型功效和样本大小程序的扩展，如第 4 章所述。适用于混合模型的 SAS ，2018年版。 本章还介绍了可与混合模型功耗计算结合使用的设计选择方法。 您可以将这些方法与 GLMM 以及高斯混合模型结合使用。
您认为 GLMM 的 JMP 实施会让更多人了解并使用这一相对较新的模型吗？也许这会让概念教学变得更容易？
是的。 一点历史。 随着 SAS PROC MIXED 在 20 世纪 90 年代初推出，专业会议、ASA 分会、私营企业以及 FDA、CDC、农业研究服务局等政府实体对混合模型研讨会和短期课程产生了强烈需求。 我属于两个组织，南方实验站大学统计学家（USSES）和中北部协调委员会（NCCC），这两个组织的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其线性模型课程，以包括混合模型，并修改了被视为“统计方法消费者”学科的研究生统计方法课程，以包括与这些消费者需求相关的混合模型方法。 PROC GLIMMIX 推出时也发生了类似的事情。
从 2022 年的角度来看，“线性模型”意味着 GLMM——经典的方差分析和回归模型、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 实施应该会在两个方面产生影响：对统计和数据科学的学位课程，以及对已经拥有学位并在学术界、政府或私营部门工作的 JMP 用户的认识。 数据科学的本科学位课程正在激增。 这些项目的学生需要对 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。 对于那些获得没有 GLMM 部分的学位的人来说，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的组成部分。
与“神经网络”相比，使用 GLMM 时处理数据的“剩余”方面是否使其实用性有点过时？
不同的建模程序有不同的时间和地点。 神经网络在使用的数据类型（响应和预测）方面非常灵活。 当存在大量预测变量或非结构化数据或观察数据时，它们可以非常擅长进行预测。 然而，在可以进行某种形式的研究设计的环境中（设计实验、调查设计、可以组织为伪实验的回顾性研究），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关于“最佳”因子设置等。加利特·施穆利在她精彩的论文《解释还是预测？》中列出了这些问题。 （Shmueli，G. 2010。 解释还是预测？ , 统计科学25，没有。 3、289-310；我们也很高兴让她出演一集分析性说话）。
扩展这一点，对于 GLMM，我们通常使用结构化数据，这些数据可能来自设计的实验、计划的调查或回顾性伪实验。 对于各种变异来源（区组、整区和裂区、观察单位）都有定义的实验单位（或其等效样本调查），并且通常定义处理方法，例如我们示例中的对照和药物或最终处理。 研究人员通常有特定的目标，例如测量治疗效果或找到最佳治疗水平，并且需要解释他们得出的模型和决策。 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 花时间分享更多关于 GLMM 的知识以及一些相对较新且引人入胜的统计历史！我们希望您能观看此节目的点播版本插曲从统计角度讲，了解如何使用 GLMM 避免偏差并从数据中获得更多价值。
