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 !).
La modélisation mixte est la norme pour analyser des données comportant plusieurs sources de variation aléatoire (blocage, parcelles divisées, etc.).Le modèle mixte linéaire (LMM) suppose que la réponse est continue et sans limites. Si votre réponse est un décompte discret, une réponse binaire ou une proportion en termes de oui/n, utilisez le Modèle mixte linéaire généralisé (GLMM).
Découvrez comment :
- Comprendre les bases du GLMM
- (Durée de la vidéo ~ 23 : 40) Comprenez et entendez les questions et réponses du premier exemple - de SAS pour modèles mixtes (2018), Exemple 11.5 ; Beitler & Landis ( Biométrie , 1985)
- Essai clinique multi-site
- 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 une évolution favorable
- Objectif : le « MÉDICAMENT » augmente-t-il la probabilité d'une issue favorable et si oui, de combien ?
- (Durée de la vidéo ~ 48 : 40) Comprenez et entendez les questions et réponses du deuxième exemple - de SAS pour modèles mixtes (2018), Exemple 12.3
- Régression à 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 – compte discret
- Objectifs:
- estimer l'effet d'une quantité croissante de traitement de finition sur le nombre de micro-sites aberrants
- estimation ci-dessus via régression linéaire
- déterminer la quantité de traitement de finition requise pour garantir un nombre de micro-sites aberrants attendu ≤ 1
Élisabeth @eclaassen et Jian Cao @jiancao Répondez aux questions tout au long et discutez des plans d'amélioration de GLMM dans les futures versions de JMP.
Q : JMP Pro 17 propose-t-il l'option de lien pour sauvegarder les estimations de transformation et les intervalles de confiance ?
R : Oui, et nous le voyons dans la démo.
Q : Que se passe-t-il si vous constatez des signes de surdispersion 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 Might Identify Dispersion in ModelLes statistiques d'ajustement du chi carré pourraient identifier la dispersion dans le modèle
Q : GLMM inclut-il des modèles additifs généralisés ?
R : Non, pas actuellement.
Ressources
