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！）。
混合建模已成为分析具有多个随机变化源（分块图、裂区图等）的数据的标准。线性混合模型 (LMM) 假设响应是连续的，没有界限。 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）。
请参阅如何：
- 了解 GLMM 的基础知识
- （视频时间~23:40）从第一个例子中理解并听到问答 - 来自适用于混合模型的 SAS (2018)，实施例11.5；拜特勒和兰迪斯（生物识别技术，1985）
- 多地点临床试验
- 8个诊所，两种治疗方法：“CNTL”和“DRUG”
- n_ij 分配接受治疗的患者我在诊所j
- 响应变量 y_ij 是具有良好结果的患者数量
- 目标：“药物”是否会增加良好结果的可能性？如果是，增加多少？
- （视频时间~48:40）理解并聆听第二个示例的问答 - 来自适用于混合模型的 SAS (2018)，例12.3
- 多源随机系数回归
- 8 手
- 金额 X_1=0, X_2=2, X_3=4,… X_6=10 对每批样品进行的精加工处理
- 响应变量 y_ij 是数量为 i、批次的成品上异常微位点的数量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
- 通过线性回归估计上述
- 确定所需的精加工处理量，以确保预期的异常微位点数量 ≤ 1
伊丽莎白@eclaassen和曹健@jiancao回答全文中的问题并讨论在未来版本的 JMP 中增强 GLMM 的计划。
问：JMP Pro 17 是否具有返回变换估计值和置信区间的链接选项？
答：是的，我们在演示中看到了这一点。
问：如果您发现有一些过度分散或分散不足的迹象怎么办？
答：我没有遇到分散不足的问题，所以这不是我们特别担心的问题。对于过度分散，通常是模型中缺少一个项的问题，如果在我们完成方差分析过程来定义模型后该项仍然存在，我们需要将其包含在内。 那么也许这是我们应该关注的另一个发行版。 或者也许它不是二项式，它可能是零膨胀二项式，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 ModelFit Statistics Chi Square Might Identify Dispersion in Model拟合统计卡方可能会识别模型中的离散度
问：GLMM 是否包括广义加性模型？
答：不，目前还没有。
资源
