Die gemischte Modellierung ist der Standard für die Analyse von Daten mit mehr als einer Quelle zufälliger Variation (Blockierung, Split-Plots usw.).Das lineare gemischte Modell (LMM) geht davon aus, dass die Reaktion kontinuierlich und ohne Grenzen ist. Wenn es sich bei Ihrer Antwort um eine diskrete Zahl, eine binäre Antwort oder einen Anteil im Sinne von J/N handelt, verwenden Sie die Verallgemeinertes lineares gemischtes Modell (GLMM).
Erfahren Sie, wie Sie:
- Verstehen Sie die Grundlagen von GLMM
- (Videozeit ~23:40) Verstehen und hören Sie Fragen und Antworten aus dem ersten Beispiel – von SAS für gemischte Modelle (2018), Beispiel 11.5; Beitler & Landis ( Biometrie , 1985)
- Klinische Studie an mehreren Standorten
- 8 Kliniken, zwei Behandlungen: „CNTL“ und „DRUG“
- n_ij Patienten zur Behandlung zugewiesen ich in der Klinik J
- Die Antwortvariable y_ij ist die Anzahl der Patienten mit einem günstigen Ergebnis
- Ziel: Erhöht „DROGE“ die Wahrscheinlichkeit eines günstigen Ergebnisses und wenn ja, um wie viel?
- (Videozeit ~48:40) Verstehen und hören Sie Fragen und Antworten aus dem zweiten Beispiel – von SAS für gemischte Modelle (2018), Beispiel 12.3
- Regression mit Zufallskoeffizienten aus mehreren Quellen
- 8 Lose
- Beträge X_1=0, X_2=2, X_3=4,… X_6=10 der Endbehandlung, die auf Proben aus jeder Charge angewendet wird
- Die Antwortvariable y_ij ist die Anzahl abweichender Mikrostellen auf dem fertigen Produkt für Menge i, Los J – diskrete Zählung
- Ziele:
- Schätzen Sie die Auswirkung einer zunehmenden Endbehandlung auf die Anzahl abweichender Mikrostellen ab
- Schätzung oben mittels linearer Regression
- Bestimmen Sie den Umfang der Nachbearbeitung, der erforderlich ist, um die erwartete Anzahl abweichender Mikrostellen von ≤ 1 sicherzustellen
Elisabeth @eclaassen und Jian Cao @jiancao Beantworten Sie durchgehend Fragen und besprechen Sie Pläne zur Verbesserung von GLMM in zukünftigen Versionen von JMP.
F: Verfügt JMP Pro 17 über die Link-Option zur Rücktransformation von Schätzungen und Konfidenzintervallen?
A: Ja, und das sehen wir in der Demo.
F: Was passiert, wenn Sie feststellen, dass es Hinweise auf eine Über- oder Unterstreuung gibt?
A: Ich hatte keine Probleme mit Unterstreuung, das ist also kein Problem, das uns besonders beunruhigt.Bei einer übermäßigen Streuung liegt das oft daran, dass ein Term im Modell fehlt, den wir einbeziehen müssen, wenn er noch vorhanden ist, nachdem wir den ANOVA-Prozess zur Definition unseres Modells durchlaufen haben. Dann ist es vielleicht eine andere Distribution, die wir uns ansehen sollten. Oder vielleicht handelt es sich nicht um ein Binomial, sondern um ein auf Null aufgeblasenes Binomial oder etwas in dieser Richtung, und das müssen wir irgendwie berücksichtigen.
Fit Statistics Chi Square Might Identify Dispersion in ModelFit Statistics Chi Square könnte die Streuung im Modell identifizieren
F: Enthält GLMM verallgemeinerte additive Modelle?
A: Nein, derzeit nicht.
Ressourcen
Hervorragende Präsentation von @eclaassen und als Erstanwender war ich begeistert, alle neuen Distributionen zu sehen, die in JMP Pro 18 unterstützt werden (von zwei Optionen in JMP Pro 17 bis zu acht in 18!).
