일반화 선형 혼합 모형은 JMP Pro 17에 도입되었습니다. 여기서는 이항 분포와 포아송 분포라는 두 가지 분포를 지정합니다.
GLMM은 선형 혼합 모델과 일반화된 선형 모델 프레임워크라는 두 가지 접근 방식을 결합합니다. GLMM은 세 가지 유형의 모델 구조에 유용합니다.
- 무작위 완전 및 불완전 블록 설계
- 분할구 실험
- 무작위 계수 모델
https://www.youtube.com/watch?v=t0d8min-Mf4
방법을 확인하세요:
- 포아송 회귀 분석을 사용하여 개수 데이터에 대한 혼합 효과 모델링 및 결과 해석
- 이진 로지스틱 회귀 분석을 사용하여 그룹화된 데이터에 대한 혼합 효과 모델링 및 결과 해석
- 이진 로지스틱 회귀를 사용하여 개별 데이터에 대한 혼합 효과를 모델링하고 결과를 해석합니다.
Jian Cao가 답변한 질문 @jiancao 바이런 윙거드 @바이런_JMP 라이브 웹 세미나 데모 중:
Q: GLMM의 성과를 어떻게 평가하나요?
답변: 다음은 자세한 내용 .
Q: 무작위 효과를 포함하지 않으면 항상 과분산 가능성이 증가합니까?
A: 무작위 효과가 포함되면 과대평가하거나 과소평가할 가능성이 줄어듭니다.
Q: 그렇다면 무작위 효과가 있는데 왜 항상 조건부 예측을 사용하지 않는 걸까요?
A: 우리는 일반적으로 한계 모델 프로파일러를 원합니다. 조건부 모델 프로파일러는 별도의 분석을 수행하지 않고 요인에 대해 좀 더 자세히 설명합니다.
Q: MSA 플랫폼 내에서 GLMM이 지원됩니까?
A: MSA 빌더에서 생성된 데이터는 GLMM으로 분석할 수 있지만 가변성 플랫폼 또는 MSA와 자동으로 통합되지는 않습니다.
Q: Y의 순서가 중요합니까? 분자가 가장 높은 숫자인 것 같아요.
답: 그렇습니다.
Q: 반복 측정 설계는 혼합 모델 플랫폼과 동일한 방식으로 지정됩니까?
A: GLMM이 아닌 혼합 모델 플랫폼을 의미하는 경우 다음을 참조하세요. https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeated-measures.shtml .
자원
