658658_de-DE

liliconcom

Modellierung gemischter Effekte für Binär- und Zählantwortdaten mithilfe verallgemeinerter linearer gemischter Modelle (GLMM)

In JMP Pro 17 wurden verallgemeinerte lineare gemischte Modelle eingeführt, bei denen Sie zwei Verteilungen angeben – Binomial und Poisson.

 

GLMM kombiniert zwei Ansätze: das lineare gemischte Modell und die verallgemeinerten linearen Modellrahmen. GLMM ist für drei Arten von Modellstrukturen nützlich:

• Randomisierte vollständige und unvollständige Blockdesigns
• Split-Plot-Experimente
• Zufallskoeffizientenmodelle

Dieses Video wird zur Zeit verarbeitet. Bitte versuchen Sie es in ein paar Minuten noch einmal.

(in „Meine Videos“ ansehen)

 

Von Jian Cao beantwortete Fragen @jiancao und Byron Wingerd @Byron_JMP während der Live-Webinar-Demo:

 

F: Wie beurteilen Sie die Leistung von GLMM?

A: Hier sind die alle Einzelheiten .

 

Ressourcen

• Dokumentation und Beispiele von JMP Pro Generalized Linear Mixed Models (GLMM)
• Entwickler-Tutorial-Video auf GLMM

Prädiktive Modellierung und maschinelles Lernen