GLM 解釋我為我的碩士論文做了一個調查實驗。 我的主管建議我使用 GLM，因為設計具有混合組件（處理是固定的，但參與者和調查中包含的圖片是隨機的）但我發現很難解釋結果。
在調查中，參與者隨機進入三種情況之一。 然後他們看到 10 張圖片，每張圖片必須回答 6 個問題。 根據處理方式，圖片包括 1 類標誌、2 類標誌或無標誌。 他們以五分制李克特量表回答了問題。
對於這個模型，我使用了每個參與者針對特定問題回答的 10 張圖片的平均值，這是向我推薦的，但這個模型顯示的 AIC 低於我嘗試過的其他模型。
使用的變量是：
NN vs N - NN 用 0 表示，表示圖片圖片或處理不包含符號。 N代表它有一個標誌。
處理 - 0 表示它不包含符號。 1 它包括一個標誌類型 1 和 2 它包括一個標誌類型 2。
如果有人能幫助我理解結果，我將不勝感激。
高級統計建模消費者和市場研究實驗設計回复：GLM 解釋你好，歡迎光臨。 所以我理解數據：如果 Treatment =0，則 NN vs N = 0。如果 Treatment = 1 或 2，則 NN vs N = N。這是正確的嗎？如果是這樣，難怪您會遇到奇點問題、丟失 dfs 和零參數估計。 當您的因素相互關聯時，就會發生這種情況。 如果我猜對了，那麼“NN vs N”就是“治療”的函數……這就是出現這些問題的原因。
回复：GLM 解釋你好！ 是的，這些因素是相互關聯的。 我使用了相同的模型，但一次只做了一個因素，如果這能解決你提到的問題的話。 我仍然不太了解輸出，您認為您可以幫助我嗎？ 也許說出您在數據中看到的內容？
我想我應該通過治療使用該模型，因為它的 AIC 較低？儘管我最感興趣的是測試 N 與 NN，但不同類型的標誌是我研究的附加信息，但不是重點。
提前致謝
回复：GLM 解釋@PoissonOpossum3我的第一個想法：如果你有一個分佈=正態和鏈接=身份的 GLM，那麼在擬合模型平台中使用標準最小二乘法會更簡單，並且可能提供更多信息，因為使用這些 GLM 選項，模型與在標準最小二乘選項中（我會使用強調=效果篩選）。由於最小二乘法結果將有更多選項來評估/解釋您的結果，我會從那裡開始（使用一個或另一個）。
回复：GLM 解釋一次使用一個因素或預測變量可以避免分析中的奇異性。 儘管如此，問題仍然存在：您不能根據此數據將任何影響完全歸因於這些因素中的任何一個。 這些因素是混淆的。 我們有時會說一個因素是另一個因素的別名。 我們需要它們不相關的數據，以便為每個數據分配唯一的效果。 在設計研究時，您應該考慮模型和分析。 您應該使用既定的方法來設計實驗。 已建立的方法要求您指定要分析的模型。
另一方面，治療可能是唯一真實的因素，僅使用該因素的分析可能是有效的。
GLM 主要用於非正態分佈的響應。 您提到了隨機效應，但沒有將它們包含在模型中。 該遺漏可能是有效的，因為它們代表了殘留誤差。 如果是這樣，您就不需要“混合效應模型”或“廣義線性混合模型”。
回复：GLM 解釋謝謝馬克，我會考慮使用另一個模型。 不過，為了比較我從 GLM 得到的結果，你能幫我解決以下問題嗎？
在參數估計上，它顯示截距，然後是治療 1 和治療 0，但變量治療有 3 個水平（0、1 和 2）。 這是否意味著 JMP 將處理 2 歸類為攔截？ （這可以在我提供的最新屏幕截圖之一上看到）。
提前致謝 ：）
回复：GLM 解釋不，JMP 使用效應編碼對項進行參數化。 本質上，參數估計總和為零。 因此，如果治療 1 的估計值為 5，治療 0 為 10，則治療 2 的估計值為 -15。 此編碼確保截距被解釋為預測變量空間中心的平均響應。
