El modelado mixto ha sido el estándar para analizar datos con más de una fuente de variación aleatoria (bloqueo, parcelas divididas, etc.).El modelo mixto lineal (LMM) asume que la respuesta es continua sin límites. Si su respuesta es un conteo discreto, una respuesta binaria o una proporción en términos de y/n, use el Modelo Mixto Lineal Generalizado (GLMM).
Vea cómo:
- Comprender los conceptos básicos de GLMM
- (Tiempo de video ~23:40) Comprender y escuchar preguntas y respuestas del primer ejemplo - de SAS para modelos mixtos (2018), Ejemplo 11.5; Beitler y Landis ( Biometría , 1985)
- Ensayo clínico en múltiples ubicaciones
- 8 clínicas, dos tratamientos: “CNTL” y “DRUG”
- n_ij pacientes asignados al tratamiento i en la clínica j
- La variable de respuesta y_ij es el número de pacientes con un resultado favorable
- Objetivo: ¿"DROGA" aumenta la probabilidad de un resultado favorable y, de ser así, cuánto?
- (Tiempo de video ~48:40) Comprenda y escuche las preguntas y respuestas del segundo ejemplo: de SAS para modelos mixtos (2018), Ejemplo 12.3
- Regresión de coeficientes aleatorios de fuentes múltiples
- 8 lotes
- Importes X_1=0, X_2=2, X_3=4,… X_6=10 de tratamiento de acabado aplicado a las muestras de cada lote
- La variable de respuesta y_ij es el número de micrositios aberrantes en el producto terminado para la cantidad i, lote j – cuenta discreta
- Objetivos:
- estimar el efecto del aumento de la cantidad de tratamiento de acabado en el recuento de micrositios aberrantes
- estimación anterior mediante regresión lineal
- determinar la cantidad de tratamiento de acabado necesario para asegurar el recuento de micrositios aberrantes esperado ≤ 1
Isabel @eclaassen y jian cao @jiancao responda preguntas y discuta los planes para mejorar GLMM en futuras versiones de JMP.
P: ¿JMP Pro 17 tiene la opción de enlace para realizar estimaciones de transformación inversa y los intervalos de confianza?
R: Sí, y lo vemos en la demostración.
P: ¿Qué pasa si encuentra que hay alguna evidencia de dispersión excesiva o dispersión insuficiente?
R: No he tenido problemas con la baja dispersión, por lo que no es un problema que nos preocupe especialmente.Para el exceso de dispersión, a menudo es cuestión de que falte un término en el modelo que debemos incluir si aún existe después de haber pasado por el proceso de ANOVA para definir nuestro modelo. Entonces quizás sea otra distribución la que deberíamos estar mirando. O tal vez no es un binomio y podría ser un binomio inflado con ceros, o algo por el estilo, y debemos tener eso en cuenta.
Fit Statistics Chi Square Might Identify Dispersion in ModelLas estadísticas de ajuste Chi cuadrado podrían identificar la dispersión en el modelo
P: ¿GLMM incluye modelos aditivos generalizados?
R: No, actualmente no.
Recursos
Excelente presentación de @eclaassen y, como uno de los primeros en adoptar, me entusiasmó ver todas las nuevas distribuciones admitidas en JMP Pro 18 (¡desde dos opciones en JMP Pro 17 hasta ocho en 18!).
