混合建模一直是分析具有多个随机变异源（区组、裂区等）的数据的标准。线性混合模型 (LMM) 假设响应是连续的，没有边界。 如果您的响应是离散计数、二元响应或 y/n 比例，请使用广义线性混合模型 (GLMM)。
查看如何：
- 了解 GLMM 的基础知识
- （视频时间 ~23:40）从第一个例子中理解和听到问答 - 来自用于混合模型的 SAS (2018)，例 11.5；贝特勒和兰迪斯 (生物识别, 1985)
- 多地点临床试验
- 8 家诊所，两种治疗方法：“CNTL”和“DRUG”
- n_ij 患者分配到治疗我在诊所j
- 响应变量 y_ij 是具有良好结果的患者数量
- 目标：“药物”是否会增加有利结果的可能性？如果是，增加多少？
- （视频时间 ~48:40）从第二个例子中理解和听到问答 - 来自用于混合模型的 SAS (2018)，例 12.3
- 多源、随机系数回归
- 8手
- 数量 X_1=0, X_2=2, X_3=4, ... X_6=10 应用于每批样品的精整处理
- 响应变量 y_ij 是数量 i，批次的成品上异常微点的数量j – 离散计数
- 目标：
- 估计增加整理处理量对异常微位点计数的影响
- 通过线性回归估计以上
- 确定确保预期异常微点数≤ 1 所需的精整处理量
伊丽莎白@eclaassen和曹健@剑草全程回答问题并讨论在未来版本的 JMP 中增强 GLMM 的计划。
问：JMP Pro 17 是否具有反向转换估计值和置信区间的链接选项？
A：是的，我们在演示中看到了这一点。
问：如果你发现有过度分散或分散不足的迹象怎么办？
答：我没有遇到过色散不足的问题，所以这不是我们特别担心的问题。对于过度分散，通常是模型中遗漏了一个项，如果在我们通过方差分析过程定义模型后它仍然存在，我们需要将其包括在内。 那么也许这是我们应该关注的另一种分布。 或者它可能不是二项式，它可能是零膨胀的二项式，或者类似的东西，所以我们必须考虑到这一点。
Fit Statistics Chi Square Might Identify Dispersion in Model拟合统计卡方可能会识别模型中的分散
问：GLMM 是否包括广义加法模型？
A：不，目前没有。
资源
精彩的演讲@eclaassen而且，作为早期采用者，我很高兴看到 JMP Pro 18 支持所有新分布（从 JMP Pro 17 中的两个选项到 18 中的八个选项！）。
