JMP Pro 17 中引入了廣義線性混合模型，您可以在其中指定兩種分佈 - 二項分佈和泊松分佈。
GLMM 結合了兩種方法：線性混合模型和廣義線性模型框架。 GLMM 對於三種類型的模型結構很有用：
https://www.youtube.com/watch?v=t0d8min-Mf4
請參閱如何：
- 使用泊松回歸對計數資料的混合效應進行建模並解釋結果
- 使用二元 Logistic 迴歸對分組資料的混合效應進行建模並解釋結果
- 使用二元 Logistic 迴歸對單一資料的混合效應進行建模並解釋結果
曹健回答的問題@jiancao和拜倫·溫格德@Byron_JMP在現場網路研討會演示期間：
Q：您如何評估 GLMM 的效能？
答：以下是完整的細節。
Q：不包括隨機效應是否一定會導致過度分散的可能性增加？
答：如果包含隨機效應，您就不太可能高估或低估。
Q：既然我們有隨機效應，為什麼我們不總是使用條件預測呢？
答：我們通常需要邊際模型分析器。 條件模型刻畫器會更詳細地介紹因素，而無需進行單獨的分析。
Q：MSA 平台是否支援 GLMM？
答：MSA 建構器產生的資料可以使用 GLMM 進行分析，但它不會自動與變異性平台或 MSA 整合。
Q：Y 的順序重要嗎？ 我猜分子是最上面的數字。
答：是的。
Q：重複測量設計的指定方式是否與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，請參閱https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeated-measures.shtml 。
資源
