혼합 모델링은 둘 이상의 임의 변동 소스(블로킹, 분할 플롯 등)가 있는 데이터를 분석하기 위한 표준이었습니다.선형 혼합 모델(LMM)은 반응이 한계 없이 연속적이라고 가정합니다. 귀하의 응답이 불연속 카운트, 이진 응답 또는 y/n 측면의 비율인 경우 다음을 사용하십시오. 일반화 선형 혼합 모델(GLMM).
다음 방법을 참조하십시오.
- GLMM의 기본 이해
- (영상 시간 ~23:40) 첫 번째 예부터 Q&A 이해 및 듣기 - 부터 혼합 모델용 SAS(2018), 예 11.5; 베이틀러 & 랜디스( 생체 인식 , 1985)
- 다중 위치 임상 시험
- 8개 클리닉, 2가지 치료법: "CNTL" 및 "DRUG"
- 치료에 배정된 n_ij명의 환자 나 진료소에서 제이
- 응답 변수 y_ij는 결과가 좋은 환자의 수입니다.
- 목표: "DRUG"는 유리한 결과의 확률을 증가시키는가? 그렇다면 얼마나 증가하는가?
- (동영상 시간 ~48:40) 두 번째 예에서 Q&A를 이해하고 듣습니다. 혼합 모델용 SAS(2018), 예제 12.3
- 다중 소스, 무작위 계수 회귀
- 8개
- 금액 X_1=0, X_2=2, X_3=4,… X_6= 각 로트의 샘플에 적용되는 마무리 처리의 10
- 응답 변수 y_ij는 양 i, 로트에 대한 완제품의 비정상적인 마이크로 사이트 수입니다. 제이 – 이산 카운트
- 목표:
- 비정상적인 마이크로 사이트 수에 대한 마무리 처리량 증가의 효과 추정
- 선형 회귀를 통해 위의 추정
- 예상되는 비정상적인 마이크로 사이트 수 ≤ 1을 보장하는 데 필요한 마무리 처리의 양을 결정합니다.
엘리자베스 @eclaassen 그리고 지안 카오 @jiancao 전체 질문에 답하고 향후 버전의 JMP에서 GLMM을 개선하기 위한 계획에 대해 논의합니다.
Q: JMP Pro 17에는 추정치와 신뢰 구간을 역변환하는 링크 옵션이 있습니까?
A: 예, 데모에서 확인할 수 있습니다.
Q: 과분산 또는 과소 분산의 증거가 있는 경우 어떻게 합니까?
A: 과소 분산 문제에 부딪힌 적이 없으므로 특별히 걱정할 문제는 아닙니다.과분산의 경우 모델을 정의하기 위해 ANOVA 프로세스를 거친 후에도 여전히 존재하는 경우 포함해야 하는 모델에서 용어가 누락되는 경우가 많습니다. 그렇다면 아마도 우리가 살펴봐야 할 또 다른 분포일 것입니다. 또는 아마도 그것은 이항식이 아니고 0이 부풀려진 이항일 수도 있고 그런 선상에 있는 어떤 것일 수도 있습니다.
Fit Statistics Chi Square Might Identify Dispersion in Model맞춤 통계 카이 제곱은 모델의 분산을 식별할 수 있음
Q: GLMM에는 일반화된 추가 모델이 포함되어 있습니까?
A: 아니요, 현재는 아닙니다.
자원
의 뛰어난 프레젠테이션 @eclaassen 그리고 얼리어답터로서 저는 JMP Pro 18에서 지원되는 모든 새로운 배포판을 보게 되어 기뻤습니다(JMP Pro 17의 두 가지 옵션에서 18의 8개까지!).
