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 modello:
- Disegni a blocchi randomizzati completi e incompleti
- Esperimenti a trama divisa
- Modelli a coefficienti casuali
https://www.youtube.com/watch?v=t0d8min-Mf4
Scopri come:
- Modella gli effetti misti per i dati di conteggio utilizzando la regressione di Poisson e interpreta i risultati
- Modella effetti misti per dati raggruppati utilizzando la regressione logistica binaria e interpreta i risultati
- Modella effetti misti per dati individuali utilizzando la regressione logistica binaria e interpreta i risultati
Domande a cui risponde Jian Cao @jiancao e Byron Wingerd @Byron_JMP durante la demo del webinar live:
Come valuti le prestazioni di GLMM?
R: Ecco i tutti i dettagli .
La mancata inclusione degli effetti casuali porterebbe necessariamente sempre ad un aumento della possibilità di sovradispersione?
R: Gli effetti casuali, quando inclusi, rendono meno probabile una sovrastima o una sottostima.
Quindi, dal momento che abbiamo effetti casuali, perché non dovremmo usare sempre la previsione condizionale?
R: Di solito vogliamo il profiler del modello marginale. Il Conditional Model Profiler entra più nel dettaglio sui fattori senza fare un'analisi separata.
GLMM è supportato dalla piattaforma MSA?
R: I dati generati dal costruttore MSA potrebbero essere analizzati con GLMM, ma non sono automaticamente integrati con la piattaforma di variabilità o MSA.
L'ordine delle Y è importante? Immagino che il numeratore sia il numero in alto.
R: Sì.
I progetti a misure ripetute sono specificati allo stesso modo della piattaforma del modello misto?
R: Se intendi piattaforma a modello misto e non GLMM, vedi https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeated-measures.shtml .
Risorse
