La modélisation mixte a été la norme pour analyser les données avec plus d'une source de variation aléatoire (blocage, parcelles divisées, etc.).Le modèle mixte linéaire (LMM) suppose que la réponse est continue sans limites. Si votre réponse est un nombre discret, une réponse binaire ou une proportion en termes de y/n, utilisez le Modèle mixte linéaire généralisé (GLMM).
Découvrez comment :
- Comprendre les bases du GLMM
- (Heure de la vidéo ~23:40) Comprendre et entendre les questions et réponses du premier exemple - de SAS pour modèles mixtes (2018), Exemple 11.5 ; Beitler et Landis ( Biométrie , 1985)
- Essai clinique multi-sites
- 8 cliniques, deux traitements : « CNTL » et « DRUG »
- n_ij patients affectés au traitement je à la clinique j
- La variable de réponse y_ij est le nombre de patients avec un résultat favorable
- Objectif : est-ce que "DROGUE" augmente la probabilité d'un résultat favorable et si oui, de combien ?
- (Durée de la vidéo ~ 48:40) Comprenez et écoutez les questions et réponses du deuxième exemple - de SAS pour modèles mixtes (2018), Exemple 12.3
- Régression de coefficients aléatoires multi-sources
- 8 lots
- Montants X_1=0, X_2=2, X_3=4,… X_6=10 de traitement de finition appliqué aux échantillons de chaque lot
- La variable de réponse y_ij est le nombre de micro-sites aberrants sur le produit fini pour la quantité i, lot j – comptage discret
- Objectifs:
- estimer l'effet de l'augmentation de la quantité de traitement de finition sur le nombre de micro-sites aberrants
- estimation ci-dessus par régression linéaire
- déterminer la quantité de traitement de finition nécessaire pour assurer un nombre de micro-sites aberrants attendu ≤ 1
Elisabeth @eclaassen et Jian Cao @jiancao répondre aux questions tout au long et discuter des plans d'amélioration de GLMM dans les futures versions de JMP.
Q : JMP Pro 17 dispose-t-il de l'option de lien pour rétro-transformer les estimations et les intervalles de confiance ?
R : Oui, et nous le voyons dans la démo.
Q : Que se passe-t-il si vous constatez qu'il existe des signes de sur-dispersion ou de sous-dispersion ?
R : Je n'ai pas rencontré de problèmes de sous-dispersion, ce n'est donc pas un problème qui nous inquiète particulièrement.Pour la surdispersion, il s'agit souvent de manquer un terme dans le modèle que nous devons inclure s'il existe toujours après avoir suivi le processus ANOVA pour définir notre modèle. Alors c'est peut-être une autre distribution que nous devrions examiner. Ou peut-être que ce n'est pas un binôme et qu'il pourrait s'agir d'un binôme gonflé à zéro, ou quelque chose du genre, et nous devons donc en quelque sorte en tenir compte.
Fit Statistics Chi Square Might Identify Dispersion in ModelFit Statistics Chi Square pourrait identifier la dispersion dans le modèle
Q : GLMM inclut-il des modèles additifs généralisés ?
R : Non, pas actuellement.
Ressources
Excellente présentation de @eclaassen et, en tant qu'adopteur précoce, j'étais ravi de voir toutes les nouvelles distributions prises en charge dans JMP Pro 18 (de deux options dans JMP Pro 17 à huit dans 18 !).
