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!).
La modellazione mista è stata lo standard per l'analisi dei dati con più di una fonte di variazione casuale (blocchi, grafici divisi, ecc.).Il modello lineare misto (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 s/n, utilizza il comando Modello misto lineare generalizzato (GLMM).
Scopri come:
- Comprendere le basi di GLMM
- (Durata del video ~23:40) Comprendi e ascolta le domande e risposte dal primo esempio - da SAS per modelli misti (2018), Esempio 11.5; Beitler e Landis ( Biometrica , 1985)
- Sperimentazione clinica multisede
- 8 cliniche, due trattamenti: “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: la “DROGA” aumenta la probabilità di esito favorevole e, se sì, di quanto?
- (Durata del video ~48:40) Comprendi e ascolta le 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 del trattamento di finitura applicato ai campioni di ciascun lotto
- La variabile di risposta y_ij è il numero di micrositi anomali sul prodotto finito per l'importo i, lotto J – conteggio discreto
- Obiettivi:
- stimare l'effetto dell'aumento della quantità di trattamento di finitura sul conteggio dei micrositi aberranti
- stima sopra tramite regressione lineare
- determinare la quantità di trattamento di finitura necessario per garantire il conteggio previsto di micrositi aberranti ≤ 1
Elisabetta @eclaassen e Jian Cao @jiancao rispondere alle domande e discutere i piani per migliorare GLMM nelle future versioni di JMP.
JMP Pro 17 dispone dell'opzione di collegamento per supportare le stime delle trasformazioni e gli intervalli di confidenza?
R: Sì, e lo vediamo nella demo.
Cosa succede se scopri che ci sono prove di sovradispersione o sottodispersione?
R: Non ho riscontrato problemi di sottodispersione, quindi non è un problema di cui siamo particolarmente preoccupati.Per l'eccessiva dispersione, spesso si tratta della mancanza di un termine nel modello che dobbiamo includere se esiste ancora dopo aver seguito il processo ANOVA per definire il nostro modello. Allora forse è un'altra distribuzione che dovremmo considerare. O forse non è binomio e potrebbe essere un binomio gonfiato con zero, o qualcosa del genere, e quindi dobbiamo tenerne conto.
Fit Statistics Chi Square Might Identify Dispersion in ModelFit Statistics Chi Square Might Identify Dispersion in ModelIl chi quadrato delle statistiche di adattamento potrebbe identificare la dispersione nel modello
GLMM include modelli additivi generalizzati?
R: No, non al momento.
Risorse
