576587_es-ES

liliconcom

Re: Tutorial para desarrolladores: uso de modelos mixtos lineales generalizados para modelar diseños de experimentos que incluyen respuestas no gaussianas y efectos aleatorios

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!).

Tutorial para desarrolladores: uso de modelos lineales mixtos generalizados para modelar diseños de experimentos que incluyen respuestas no gaussianas y efectos aleatorios

El modelado mixto ha sido el estándar para analizar datos con más de una fuente de variación aleatoria (bloqueo, parcelas divididas, etc.).El modelo lineal mixto (LMM) supone 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, utilice la Modelo Lineal Mixto Generalizado (GLMM).  

 

 

Vea cómo:

• Comprender los conceptos básicos de GLMM
• (Duración del vídeo ~23:40) Comprenda y escuche las 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: ¿la “DROGA” aumenta la probabilidad de un resultado favorable y, de ser así, en qué medida?
• (Duración del vídeo ~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 múltiples fuentes
  • 8 lotes
  • Importes X_1=0, X_2=2, X_3=4,… X_6=10 de tratamiento de acabado aplicado a 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 – recuento discreto
  • Objetivos:
    • estimar el efecto de una cantidad cada vez mayor de tratamiento de acabado en el recuento aberrante de micrositios
    • estimación anterior mediante regresión lineal
    • determinar la cantidad de tratamiento de acabado necesario para garantizar el recuento esperado de micrositios aberrantes ≤ 1

Isabel @eclaassen y jian cao @jiancao Responda preguntas y analice planes para mejorar GLMM en versiones futuras de JMP.

 

P: ¿Tiene JMP Pro 17 la opción de vincular las 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 insuficiente?

R: No he tenido problemas con la subdispersión, por lo que no es un problema que nos preocupe especialmente.En el caso de la dispersión excesiva, a menudo se trata de que falta un término en el modelo que debemos incluir si aún existe después de haber pasado por el proceso ANOVA para definir nuestro modelo. Entonces quizás sea otra distribución la que deberíamos considerar. O tal vez no sea un binomio y podría ser un binomio inflado a cero, o algo por el estilo, por lo que debemos tener eso en cuenta.

 

Fit Statistics Chi Square Might Identify Dispersion in ModelFit Statistics Chi Square Might Identify Dispersion in ModelEl Chi cuadrado de las estadísticas de ajuste podría identificar la dispersión en el modelo

 

 

 

 

 

 

 

 

P: ¿GLMM incluye modelos aditivos generalizados?

R: No, actualmente no.

 

 

Recursos

• Vídeo del seminario web sobre estadística: El “qué, por qué y cómo” de los modelos lineales mixtos generalizados , Stroup y Claassen
• SAS para modelos mixtos: introducción y aplicaciones básicas (2018), Stroup, Milliken, Claassen y Wolfinger
• Modelos lineales mixtos generalizados: conceptos, métodos y aplicaciones modernos (2012), Stroup
• Complemento de modelo mixto lineal generalizado

 

 

 

Modelado estadístico avanzado