混合モデリングは、ランダム変動の複数のソース (ブロッキング、分割プロットなど) を含むデータを分析するための標準です。線形混合モデル (LMM) は、応答が境界なしで連続的であると仮定します。 応答が離散数、バイナリ応答、または y/n で表した比率の場合は、一般化線形混合モデル (GLMM)。
方法を参照してください:
- GLMM の基本を理解する
- (ビデオ時間 ~23:40) 最初の例からの Q&A を理解して聞く - から混合モデル用の SAS (2018)、例11.5;バイトラー&ランディス (生体認証、1985)
- 複数拠点での臨床試験
- 8つのクリニック、2つの治療法「CNTL」と「DRUG」
- 治療に割り当てられた n_ij 人の患者私クリニックでj
- 応答変数 y_ij は良好な転帰を示した患者の数です。
- 目的: 「薬物」は好ましい結果の可能性を高めますか?もしそうであればどの程度ですか?
- (ビデオ時間 ~48:40) 2 番目の例の Q&A を理解して聞く - から混合モデル用の SAS (2018)、例12.3
- 複数ソース、ランダム係数回帰
- 8ロット
- 金額 X_1=0、X_2=2、X_3=4、… X_6=各ロットのサンプルに適用される仕上げ処理の 10 回
- 応答変数 y_ij は、数量 i、ロットの最終製品上の異常なマイクロサイトの数です。 j – 離散カウント
- 目的:
- 仕上げ処理量の増加が異常なマイクロサイト数に及ぼす影響を推定する
- 線形回帰による上記の推定
- 予想される異常マイクロサイト数 ≤ 1 を保証するために必要な仕上げ処理の量を決定する
エリザベス@eclaassenそして建曹@jiancao全体を通じて質問に答え、JMP の将来のバージョンで GLMM を強化する計画について話し合います。
Q: JMP Pro 17 には、推定値と信頼区間を逆変換するためのリンク オプションがありますか?
A: はい、デモでもそれが確認できます。
Q: 過分散または過小分散の証拠があることがわかった場合はどうすればよいですか?
A: 分散不足の問題に遭遇したことはないので、特に心配する問題ではありません。過分散の場合、多くの場合、分散分析プロセスを経てモデルを定義した後も、それがまだ存在する場合に含める必要があるモデル内の項が欠落していることが問題になります。 となると、おそらくそれは私たちが注目すべき別の分布なのかもしれません。 あるいは、おそらくそれは二項分布ではなく、ゼロ膨らんだ二項分布、またはそれに近いものである可能性があるため、それをある程度考慮する必要があります。
Fit Statistics Chi Square Might Identify Dispersion in Model適合統計値カイ 2 乗によりモデルのばらつきが特定される可能性がある
Q: GLMM には一般化された加算モデルが含まれていますか?
A: いいえ、現時点ではありません。
資力
による素晴らしいプレゼンテーション@eclaassenそして、アーリーアダプターとして、私は JMP Pro 18 ですべての新しいディストリビューションがサポートされることに興奮しました (JMP Pro 17 の 2 つのオプションから 18 の 8 つのオプションまで!)。
