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！）。
混合建模已成為分析具有多個隨機變化源（分塊圖、裂區圖等）的資料的標準。線性混合模型 (LMM) 假設反應是連續的，沒有界限。 如果您的回應是離散計數、二元回應或 y/n 比例，請使用廣義線性混合模型（GLMM）。
請參閱如何：
- 了解 GLMM 的基礎知識
- （視頻時間~23:40）從第一個例子中理解並聽到問答 - 來自適用於混合模型的 SAS (2018)，實施例11.5；拜特勒和蘭迪斯（生物辨識技術，1985）
- 多地點臨床試驗
- 8個診所，兩種治療方法：“CNTL”和“DRUG”
- n_ij 分配接受治療的患者我在診所j
- 反應變數 y_ij 是具有良好結果的患者數量
- 目標：「藥物」是否會增加良好結果的可能性？如果是，增加多少？
- （影片時間~48:40）理解並聆聽第二個範例的問答 - 來自適用於混合模型的 SAS (2018)，例12.3
- 多源隨機係數迴歸
- 8 手
- 金額 X_1=0, X_2=2, X_3=4,… X_6=10 每批樣品進行的精加工處理
- 反應變數 y_ij 是數量為 i、批次的成品上異常微位點的數量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
- 透過線性迴歸估計上述
- 確定所需的精加工處理量，以確保預期的異常微位點數量 ≤ 1
伊莉莎白@eclaassen和曹健@jiancao回答全文中的問題並討論在未來版本的 JMP 中增強 GLMM 的計劃。
Q：JMP Pro 17 是否具有返回變換估計值和信賴區間的連結選項？
答：是的，我們在演示中看到了這一點。
Q：如果您發現有一些過度分散或分散不足的跡象怎麼辦？
答：我沒有遇到分散不足的問題，所以這不是我們特別擔心的問題。對於過度分散，通常是模型中缺少一個項目的問題，如果在我們完成變異數分析過程來定義模型後該項仍然存在，我們需要將其包含在內。 那麼也許這是我們應該關注的另一個發行版。 或者也許它不是二項式，它可能是零膨脹二項式，或類似的東西，所以我們必須考慮到這一點。
Fit Statistics Chi Square Might Identify Dispersion in ModelFit Statistics Chi Square Might Identify Dispersion in Model擬合統計卡方可能會識別模型中的離散度
Q：GLMM 是否包括廣義加法模型？
答：不，目前還沒有。
資源
