혼합 모델 - 용어 및 개념의 명확화안녕,
저는 JMP의 혼합 모델 플랫폼에 대해 배우고 있는데 이론과 JMP의 수행 방식을 혼합하는 몇 가지 질문이 있습니다. 모델을 입력하는 방식이 중요하기 때문에 설명하는데 도움을 요청하고 싶습니다. 문서는 매우 기술적이며 드물다. 이미 혼합 모델에 대한 JMP 마스터링 동영상을 모두 시청했는데 예시가 나와 있지만 빠진 부분이 많습니다. 저는 통계의 이론적 측면과 JMP에서 "이를 실현하는" 방법 사이의 관계를 파악하는 것이 어렵다는 것을 알고 있습니다. 무작위 기울기와 무작위 절편의 개념은 분명하지만 이를 JMP에서 구현하는 방법이 무엇인지, 또는 무작위 효과를 "그냥" 적용하는 것의 차이점을 잘 모르겠습니다.
1) 반복공분산 구조와 반복변수가 명확하다. 그런데 이 부분에서 '주어'는 언제 사용해야 하며, 이는 무엇을 의미하는가?
2) "중첩"이 다단계 구조라는 것을 이해합니다.
3) 변수를 무작위로 설정하는 것과 "무작위 계수로 중첩"으로 설정하는 것의 차이점은 무엇입니까? 왜 NEST를 무작위 계수가 아닌 무작위 계수로 사용합니까? 무작위 효과와 무작위 절편 및 무작위 기울기의 차이를 이해하는 데 어려움을 겪고 있는 것 같습니다.
4) 비선형: 시간에 따라 비선형적으로 변하는 효과가 있는 경우(예: 위아래로 이동), 이차 효과를 가지려면 변수를 자체 교차 효과(예: X*X)로 사용해야 한다고 이해합니다. , 옳은? 이것은 차례로 중첩될 수 있습니까, 아니면 무작위 효과일 수 있습니까?
5) 주어진 변수가 고정 효과와 무작위 효과를 가질 수 있습니까? 그럼 두 열에 모두 추가해야 하나요?
6) 마지막으로 비모수적(non-parametric)은 어떻습니까? GLM을 사용하고 무작위 효과 속성을 사용해야 할 것 같은데요? 이 경우 무작위 절편과 기울기는 어디에 있습니까?
감사해요,
우리엘.
고급 통계 모델링Re: 혼합 모델 - 용어 및 개념 설명안녕,
우선, 혼합모델은 단순하지 않습니다. 대부분의 사람들은 이러한 개념 때문에 어려움을 겪습니다. 저는 혼합 모델에 대한 모듈을 포함하여 응용 통계학 석사 학위를 취득했지만 여전히 개념에 어려움을 겪고 있습니다.
JMP 커뮤니티에는 혼합 모델에 대한 게시물이 많이 있으므로 해당 게시물을 살펴보시기 바랍니다. 한 번에 모든 질문에 대한 답을 얻으려고 하기보다는 각 질문에 대한 답을 개별적으로 찾아보는 것이 좋습니다.
또한 혼합 모델과 관련된 다른 리소스도 살펴보시기 바랍니다. 이것 그리고 이 블로그 게시물 Jian Cao가 쓴 것이 유용할 것입니다.
모델링하려는 문제의 예에 대한 데이터를 게시하는 것이 좋습니다. 이렇게 하면 커뮤니티 회원이 귀하를 더 쉽게 도울 수 있습니다.
즉, 이제 귀하의 질문에 답변할 수 있는지 살펴보겠습니다...
1. 이것은 환자를 지정하는 데 사용되는 Jian의 블로그 게시물 중 하나입니다. 누적 구조에서 반복 측정을 수행하는 경우 "측정 단위", 즉 반복 측정을 수행한 "사물"을 식별하는 열을 JMP에 알려야 합니다. 다시 말하지만, 귀하의 작업에서 예를 제공할 수 있다면 도움이 될 것입니다.
2. 맞습니다.
3. Jian의 첫 번째 블로그 게시물에는 좋은 예가 있습니다. 무작위 계수를 중첩하면 무작위 효과의 각 수준에 대해 효과에 대해 서로 다른 기울기를 갖는 모델을 만들 수 있습니다. (무작위 효과의 각 수준마다 다른 절편도 있습니다.) 예를 들어 다양성의 각 수준에 대한 수확량 대 수분의 기울기가 다릅니다.
4. X*X는 "2차" 효과로 설명되며 Y와 X 사이의 곡선 관계를 모델링할 수 있습니다. 예, 이를 중첩된 무작위 효과로 지정할 수 있습니다.
5. 여기서도 Jian의 첫 번째 블로그 게시물의 예가 유용합니다. 수분은 고정 효과와 다양성 내에 중첩된 무작위 효과로 지정됩니다.
6. 여기서 비모수적이라는 말이 정확히 무엇을 의미하는지 잘 모르겠습니다. 표준 선형 모델이 아닌 상황에 대해 문의하신 것 같습니다. 현재 JMP(또는 JMP Pro)에서는 일반화 선형 혼합 모형을 사용할 수 없습니다. JMP 위시 리스트에 투표와 의견을 추가할 수 있습니다. 여기 .
이 모든 것이 도움이 되기를 바랍니다.
필
