混合建模一直是分析具有多個隨機變異源（區組、裂區等）的數據的標準。線性混合模型 (LMM) 假設響應是連續的，沒有邊界。 如果您的響應是離散計數、二元響應或 y/n 比例，請使用廣義線性混合模型 (GLMM)。
查看如何：
- 了解 GLMM 的基礎知識
- （視頻時間 ~23:40）從第一個例子中理解和聽到問答 - 來自用於混合模型的 SAS (2018)，示例 11.5；貝特勒和蘭迪斯 (生物識別, 1985)
- 多地點臨床試驗
- 8 家診所，兩種治療方法：“CNTL”和“DRUG”
- n_ij 患者分配到治療我在診所j
- 響應變量 y_ij 是具有良好結果的患者數量
- 目標：“藥物”是否會增加有利結果的可能性？如果是，增加多少？
- （視頻時間 ~48:40）從第二個例子中理解和聽到問答 - 來自用於混合模型的 SAS (2018)，例 12.3
- 多源、隨機係數回歸
- 8手
- 數量 X_1=0, X_2=2, X_3=4,… X_6=10 應用於每批樣品的精整處理
- 響應變量 y_ij 是數量 i，批次的成品上異常微點的數量j – 離散計數
- 目標：
- 估計增加整理處理量對異常微位點計數的影響
- 通過線性回歸估計以上
- 確定確保預期異常微點數≤ 1 所需的精整處理量
伊麗莎白@eclaassen和曹健@劍草全程回答問題並討論在未來版本的 JMP 中增強 GLMM 的計劃。
問：JMP Pro 17 是否具有反向轉換估計值和置信區間的鏈接選項？
A：是的，我們在演示中看到了這一點。
問：如果你發現有過度分散或分散不足的跡象怎麼辦？
答：我沒有遇到過色散不足的問題，所以這不是我們特別擔心的問題。對於過度分散，通常是模型中遺漏了一個項，如果在我們通過方差分析過程定義模型後它仍然存在，我們需要將其包括在內。 那麼也許這是我們應該關注的另一種分佈。 或者它可能不是二項式，它可能是零膨脹的二項式，或者類似的東西，所以我們必須考慮到這一點。
Fit Statistics Chi Square Might Identify Dispersion in Model擬合統計卡方可能會識別模型中的分散
問：GLMM 是否包括廣義加性模型？
A：不，目前沒有。
資源
精彩的演講@eclaassen而且，作為早期採用者，我很高興看到 JMP Pro 18 支持所有新分佈（從 JMP Pro 17 中的兩個選項到 18 中的八個選項！）。
