La modellazione mista è stata lo standard per l'analisi dei dati con più di una fonte di variazione casuale (blocking, split-plot, ecc.).Il Linear Mixed Model (LMM) presuppone che la risposta sia continua senza limiti. Se la tua risposta è un conteggio discreto, una risposta binaria o una proporzione in termini di y/n, usa the Modello misto lineare generalizzato (GLMM).
Scopri come:
- Comprendi le basi di GLMM
- (Tempo del video ~23:40) Comprendere e ascoltare domande e risposte dal primo esempio - da SAS per modelli misti (2018), Esempio 11.5; Beitler & Landis ( Biometrica , 1985)
- Sperimentazione clinica in più sedi
- 8 cliniche, due cure: “CNTL” e “DRUG”
- n_ij pazienti assegnati al trattamento io alla clinica J
- La variabile di risposta y_ij è il numero di pazienti con esito favorevole
- Obiettivo: "DROGA" aumenta la probabilità di esito favorevole e, in caso affermativo, di quanto?
- (Tempo del video ~48:40) Comprendere e ascoltare domande e risposte dal secondo esempio - da SAS per modelli misti (2018), Esempio 12.3
- Regressione a coefficienti casuali multi-sorgente
- 8 lotti
- Importi X_1=0, X_2=2, X_3=4,… X_6=10 di trattamento di finitura applicato ai campioni di ogni lotto
- La variabile di risposta y_ij è il numero di micro-siti aberranti sul prodotto finito per quantità i, lotto J – conteggio discreto
- Obiettivi:
- stimare l'effetto dell'aumento della quantità di trattamento di finitura sul conteggio aberrante dei micrositi
- stima sopra tramite regressione lineare
- determinare la quantità di trattamento di finitura necessaria per assicurare il numero previsto di micrositi aberranti ≤ 1
Elisabetta @eclaassen e Jian Cao @jiancao rispondere alle domande e discutere i piani per migliorare GLMM nelle versioni future di JMP.
JMP Pro 17 dispone dell'opzione di collegamento per supportare le stime di trasformazione e gli intervalli di confidenza?
A: Sì, e lo vediamo nella demo.
Cosa succede se scopri che ci sono prove di sovra o sotto dispersione?
R: Non ho riscontrato problemi con la sottodispersione, quindi non è un problema di cui siamo particolarmente preoccupati.Per l'eccessiva dispersione, spesso si tratta di mancare un termine nel modello che dobbiamo includere se esiste ancora dopo che abbiamo attraversato il processo ANOVA per definire il nostro modello. Allora forse è un'altra distribuzione che dovremmo guardare. O forse non è binomiale e potrebbe essere una binomiale gonfiata a zero, o qualcosa del genere, e quindi dobbiamo tenerne conto.
Fit Statistics Chi Square Might Identify Dispersion in ModelLe statistiche di adattamento Chi quadrato potrebbero identificare la dispersione nel modello
GLMM include modelli additivi generalizzati?
R: No, non attualmente.
Risorse
Ottima presentazione di @eclaassen e, in qualità di early adopter, ero entusiasta di vedere tutte le nuove distribuzioni supportate in JMP Pro 18 (da due opzioni in JMP Pro 17 a otto in 18!).
