nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

658658_it-IT

liliconcom

Modellazione di effetti misti per dati binari e di risposta di conteggio utilizzando modelli misti lineari generalizzati (GLMM)

I modelli misti lineari generalizzati sono stati introdotti in JMP Pro 17, in cui si specificano due distribuzioni: Binomiale e Poisson.

GLMM combina due approcci: il modello misto lineare e le strutture del modello lineare generalizzato. GLMM è utile per tre tipi di strutture del modello:

Disegni a blocchi randomizzati completi e incompleti
Esperimenti a trama divisa
Modelli a coefficienti casuali

Questo video è attualmente in fase di elaborazione. Riprova tra qualche minuto.

(visualizza in I miei video)

Risposte alle domande di Jian Cao @jiancao e Byron Wingerd @Byron_JMP durante la demo del webinar dal vivo:

Come valutate le prestazioni di GLMM?

R: Ecco i tutti i dettagli .

Risorse

Documentazione ed esempi dei modelli misti lineari generalizzati (GLMM) di JMP Pro
Video tutorial per sviluppatori su GLMM

Modellazione predittiva e Machine Learning

Comments

There are no comments yet