一般化線形混合モデルは JMP Pro 17 で導入され、2 つの分布 (二項分布とポアソン分布) を指定します。
GLMM は、線形混合モデルと一般化線形モデル フレームワークという 2 つのアプローチを組み合わせています。 GLMM は、次の 3 種類のモデル構造に役立ちます。
- ランダム化された完全および不完全なブロック設計
- 分割実験
- ランダム係数モデル
https://www.youtube.com/watch?v=t0d8min-Mf4
方法を参照してください:
- ポアソン回帰を使用してカウント データの混合効果をモデル化し、結果を解釈する
- バイナリ ロジスティック回帰を使用してグループ化されたデータの混合効果をモデル化し、結果を解釈する
- バイナリ ロジスティック回帰を使用して個々のデータの混合効果をモデル化し、結果を解釈する
Jian Cao が回答した質問@jiancaoとバイロン・ウィンガード@バイロン_JMPライブウェビナーのデモ中:
Q: GLMM のパフォーマンスをどのように評価しますか?
A: ここにあります全詳細。
Q: ランダム効果を含めないと、常に過分散の可能性が高まるのでしょうか?
A: ランダム効果を含めると、過大評価または過小評価する可能性が低くなります。
Q: では、ランダムな効果があるのに、なぜ常に条件付き予測を使用しないのでしょうか?
A: 通常は限界モデル プロファイラーが必要です。 条件付きモデル プロファイラーは、個別の分析を行わずに、要因についてさらに詳しく調べます。
Q: GLMM は MSA プラットフォーム内でサポートされていますか?
A: MSA ビルダーから生成されたデータは GLMM で分析できますが、変動プラットフォームまたは MSA と自動的には統合されません。
Q: Y の順序は重要ですか? 分子が一番上の数字だと思います。
A: はい。
Q: 反復測定の設計は、混合モデル プラットフォームと同じ方法で指定されますか?
A: GLMM ではなく混合モデル プラットフォームを意味する場合は、を参照してください。 https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeat-measures.shtml 。
リソース
