JMP Pro 17 中引入了广义线性混合模型，您可以在其中指定两种分布 - 二项分布和泊松分布。
GLMM 结合了两种方法：线性混合模型和广义线性模型框架。 GLMM 对于三种类型的模型结构很有用：
https://www.youtube.com/watch?v=t0d8min-Mf4
请参阅如何：
- 使用泊松回归对计数数据的混合效应进行建模并解释结果
- 使用二元 Logistic 回归对分组数据的混合效应进行建模并解释结果
- 使用二元 Logistic 回归对单个数据的混合效应进行建模并解释结果
曹健回答的问题@jiancao和拜伦·温格德@Byron_JMP在现场网络研讨会演示期间：
问：您如何评估 GLMM 的性能？
答：以下是完整的细节。
问：不包括随机效应是否一定会导致过度分散的可能性增加？
答：如果包含随机效应，您就不太可能高估或低估。
问：既然我们有随机效应，为什么我们不总是使用条件预测呢？
答：我们通常需要边际模型分析器。 条件模型刻画器会更详细地介绍因素，而无需进行单独的分析。
问：MSA 平台是否支持 GLMM？
答：MSA 生成器生成的数据可以使用 GLMM 进行分析，但它不会自动与变异性平台或 MSA 集成。
问：Y 的顺序重要吗？ 我猜分子是最上面的数字。
答：是的。
问：重复测量设计的指定方式是否与混合模型平台中的方式相同？
答：如果您指的是混合模型平台而不是 GLMM，请参阅https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeated-measures.shtml 。
资源
