GLM 解释我为我的硕士论文做了一个调查实验。 我的主管建议我使用 GLM，因为设计具有混合组件（处理是固定的，但参与者和调查中包含的图片是随机的）但我发现很难解释结果。
在调查中，参与者随机进入三种情况之一。 然后他们看到 10 张图片，每张图片必须回答 6 个问题。 根据处理方式，图片包括 1 类标志、2 类标志或无标志。 他们以五分制李克特量表回答了问题。
对于这个模型，我使用了每个参与者针对特定问题回答的 10 张图片的平均值，这是向我推荐的，但这个模型显示的 AIC 低于我尝试过的其他模型。
使用的变量是：
NN vs N - NN 用 0 表示，表示图片图片或处理不包含符号。 N代表它有一个标志。
处理 - 0 表示它不包含符号。 1 它包括一个标志类型 1 和 2 它包括一个标志类型 2。
如果有人能帮助我理解结果，我将不胜感激。
高级统计建模消费者和市场研究实验设计回复：GLM 解释你好，欢迎光临。 所以我理解数据：如果 Treatment =0，则 NN vs N = 0。如果 Treatment = 1 或 2，则 NN vs N = N。这是正确的吗？如果是这样，难怪您会遇到奇点问题、丢失 dfs 和零参数估计。 当您的因素相互关联时，就会发生这种情况。 如果我猜对了，那么“NN vs N”就是“治疗”的函数……这就是出现这些问题的原因。
回复：GLM 解释你好！ 是的，这些因素是相互关联的。 我使用了相同的模型，但一次只做了一个因素，如果这能解决你提到的问题的话。 我仍然不太了解输出，您认为您可以帮助我吗？ 也许说出您在数据中看到的内容？
我想我应该通过治疗使用该模型，因为它的 AIC 较低？尽管我最感兴趣的是测试 N 与 NN，但不同类型的标志是我研究的附加信息，但不是重点。
提前致谢
回复：GLM 解释@PoissonOpossum3我的第一个想法：如果你有一个分布=正态和链接=身份的 GLM，那么在拟合模型平台中使用标准最小二乘法会更简单，并且可能提供更多信息，因为使用这些 GLM 选项，模型与在标准最小二乘选项中（我会使用强调=效果筛选）。由于最小二乘法结果将有更多选项来评估/解释您的结果，我会从那里开始（使用一个或另一个）。
回复：GLM 解释一次使用一个因素或预测变量可以避免分析中的奇异性。 尽管如此，问题仍然存在：您不能根据此数据将任何影响完全归因于这些因素中的任何一个。 这些因素是混淆的。 我们有时会说一个因素是另一个因素的别名。 我们需要它们不相关的数据，以便为每个数据分配唯一的效果。 在设计研究时，您应该考虑模型和分析。 您应该使用既定的方法来设计实验。 已建立的方法要求您指定要分析的模型。
另一方面，治疗可能是唯一真实的因素，仅使用该因素的分析可能是有效的。
GLM 主要用于非正态分布的响应。 您提到了随机效应，但没有将它们包含在模型中。 该遗漏可能是有效的，因为它们代表了残留误差。 如果是这样，您就不需要“混合效应模型”或“广义线性混合模型”。
回复：GLM 解释谢谢马克，我会考虑使用另一个模型。 不过，为了比较我从 GLM 得到的结果，你能帮我解决以下问题吗？
在参数估计上，它显示截距，然后是治疗 1 和治疗 0，但变量治疗有 3 个水平（0、1 和 2）。 这是否意味着 JMP 将处理 2 归类为拦截？ （这可以在我提供的最新屏幕截图之一上看到）。
提前致谢 ：）
回复：GLM 解释不，JMP 使用效应编码对项进行参数化。 本质上，参数估计总和为零。 因此，如果治疗 1 的估计值为 5，治疗 0 为 10，则治疗 2 的估计值为 -15。 此编码确保截距被解释为预测变量空间中心的平均响应。
