Complemento de modelo mixto lineal generalizadoEste complemento le permite ejecutar el modelo mixto lineal generalizado en JMP. La configuración de los parámetros predeterminados es en su mayoría la misma que la macro SAS %GLIMMIX, que utiliza probabilidades reponderadas iterativamente para ajustarse al modelo (Wolfinger & O'connell, 1993).
El Panel Seleccionar columnas muestra todas las variables en el conjunto de datos actual.
El Panel Seleccionar variables de rol le permite especificar:
- Y: la variable de respuesta.
- Peso: variable de ponderación para el análisis.
- Compensación: la variable de compensación. El valor predeterminado no es ninguna compensación.
- Por: la variable por le permite ajustar modelos para subgrupos simultáneamente.
El Efectos del modelo de construcción panel incluye:
- Efectos fijos
- Efectos aleatorios
El Panel de opciones incluye:
- Distribución : la distribución de la variable de respuesta. El valor predeterminado es Binomial.
- Enlace : la función de enlace que se utilizará para transformar la variable de respuesta en pseudopuntuaciones antes de utilizar el modelo mixto. Se proporcionan las funciones de enlace canónico.
- Iteración máxima : el número máximo de iteraciones para que el algoritmo converja. El valor predeterminado es 30.
- Criterio de convergencia : si el RMSE es menor que el valor del criterio de convergencia, entonces la iteración se detendrá. El valor predeterminado es 1E-8.
- Factor de corrección : una constante agregada a la variable de respuesta en el paso de transformación inicial para evitar singularidades. El valor predeterminado es 0,5.
- Por límite de informe de grupo : al especificar una variable Por, si el número de subgrupos es mayor que este número límite, se suprimirá la salida del informe. En su lugar, se proporcionará una tabla de resumen y una interfaz Graph Builder.
Ilustraremos los detalles del complemento utilizando ejemplos disponibles en línea (sitio web de resultados de macros de %GLIMMIX: https://support.sas.com/techsup/notes/v8/25/030.html o el sitio web de PROC GLIMMIX: https://go.documentation.sas.com/?docsetId=statug&docsetVersion=15.1&docsetTarget=statug_glimmix_examples.htm&locale=en ). Para obtener resultados comparativos utilizando la macro SAS, configure la opción 'DDFM=KR' en la instrucción MODEL y también configure la opción 'NOBOUND' en la instrucción PROC MIXED.
Los vídeos de demostración también están disponibles en línea:
Ejemplo 6: formato largo de datos de Salamander: https://youtu.be/6gCqufudFV4
Ejemplo 7: datos de secuencia de ARN: https://youtu.be/o4LeTmVzzVE
Ejemplo 1: distribución de Poisson (ship_demo.jmp):
Lo siguiente es un vistazo de los datos del barco (originalmente de McCullagh y Nelder (1989), Sección 6.3.).
La variable de respuesta es “N”, que sigue la distribución de Poisson. El efecto fijo en el Modelo Lineal Mixto Generalizado es “tipo”; y los efectos aleatorios son “año, período, año*período”. La variable de compensación es "servicio".
La función de enlace predeterminada para la distribución de Poisson es el enlace 'registro'. Tenga en cuenta que, si queremos utilizar los enlaces canónicos (predeterminados) para una distribución seleccionada, podemos dejar el cuadro de enlace en blanco.
Se pueden agregar términos de interacción seleccionando dos o más variables y haciendo clic en el botón "cruz" en el panel Efectos fijos o Efectos aleatorios.
Haga clic en el botón "Ejecutar" después de especificar todos los parámetros del modelo. Después de 28 iteraciones, el algoritmo convergió. El resultado resultante tiene el formato de modelo mixto en JMP. Tenga en cuenta que al comparar con los resultados macro de %GLIMMIX SAS, debido a la diferencia en la codificación de la matriz de diseño, sugerimos comparar los resultados de la prueba F, las medias LS o las estimaciones de los componentes de varianza en lugar de las estimaciones de los parámetros de efectos fijos.
Ejemplo 2: distribución binaria (sal1.jmp):
Lo siguiente es un vistazo de los datos de Salamander (originalmente de McCullagh y Nelder (1989), Sección 14.5). Tenga en cuenta que antes de ejecutar el análisis, defina el tipo de modelado adecuado para las variables de interés. En el siguiente ejemplo, las variables "fnum, mnum" son números continuos. Pero si queremos usarlas como variables categóricas, podemos hacer clic derecho en el nombre de la variable > información de la columna y luego cambiar el tipo de modelado a nominal.
Especificación del modelo: Variable de respuesta: ybin. Distribución: Binomial. Función de enlace: logit.
Efecto fijo: fpop, mpop, fpop*mpop. Efecto aleatorio: fpop*fnum, mpop*mnum.
El algoritmo converge después de 10 iteraciones.
Ejemplo 2.1 Distribución binaria (sal1_ynominal.jmp):
Si el resultado es característica/nominal , por ejemplo, “ybin_char” en los siguientes datos (los niveles son Y y N), ofrecemos la opción 'Nivel de referencia para el resultado nominal (Y)' . Puede especificar el nivel de referencia, por ejemplo 'N' como predeterminado. Otro ejemplo: el resultado Y tiene niveles ' Alto ' y ' Bajo ', y puedes especificar ' Bajo ' en el cuadro Nivel de referencia para el resultado nominal (Y).
Ejemplo 3: distribución binomial (blotch.jmp)
Fuente de datos: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex04.htm&docsetVersion=15.1&locale=en
La variable de respuesta “prop” indica la incidencia . “sitio” y “variedad” son los dos efectos fijos. Seleccionamos la distribución “Binomio” y la función de enlace por defecto es “Logit”. (No especificamos ningún efecto aleatorio en este ejemplo).
Las medias LS de “variedad” y “sitio” son consistentes con las de la macro %GLIMMIX y PROC GLIMMIX. Sin embargo, los resultados de la prueba F mostraron discrepancias.
Ejemplo 4: Distribución binomial (rcb_binomial.jmp)
Después de 6 iteraciones, obtenemos el siguiente resultado. Este resultado es consistente con el resultado generado por la macro %GLIMMIX, pero ligeramente diferente del resultado de PROC GLIMMIX.
Para derivar lo predicho “ eventos/juicios " o " éxitos/ensayos totales ” tarifas, realice la transformación:
donde la estimación de
es la columna "_pred" en nuestra tabla de datos. Esto se puede hacer agregando manualmente una columna en la tabla de datos y estableciendo una fórmula.
Específicamente, después de ejecutar el complemento GLMM, su conjunto de datos se ve como se muestra a continuación.
Podemos crear una nueva columna y establecerle una fórmula:
Luego, eventualmente podríamos derivar la nueva variable predicted_rate como se muestra a continuación:
Ejemplo 5: distribución binomial (hessianfly.jmp)
Fuente de datos: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex01.htm&docsetVersion=15.1&locale=en
La respuesta es "s/n", que tiene la forma " eventos/juicios " o " éxitos/ensayos totales ”. Al especificar las variables de respuesta Y, primero debemos seleccionar la variable "eventos", en este caso "y", y luego seleccionar la variable "ensayos". Por lo tanto, se selecciona "n" después de "y". Establezca "entrada" como efecto fijo y "bloqueo" como efecto aleatorio. Elija distribución "binomial" y utilice la función de enlace "Logit" predeterminada.
Después de 6 iteraciones, obtenemos los resultados de la siguiente manera:
Los resultados de los ejemplos anteriores se pueden verificar mediante SAS PROC GLIMMIX y la macro %GLIMMIX. El código SAS_Ejemplo_macro_proc_verificación.sas está disponible bajo petición .
Ejemplo 6: distribución binaria (sal1_long.jmp):
Cuando los datos constan de subconjuntos y desea modelar cada grupo/subconjunto de forma independiente, puede especificar la variable indicadora de grupo/subconjunto en el campo "Por".
En este ejemplo, sal1_long.jmp es la versión apilada de los datos de Salamander (originalmente de McCullagh y Nelder (1989), Sección 14.5). Aquí, las variables de respuesta "y1, y2, y3" se apilan en la variable "ystack". La variable "ycat" indica la categoría de respuesta original.
Aquí, especifique "ystack" como variable de respuesta y "ycat" como variable Por. De manera similar a la configuración del ejemplo 2, podemos especificar la distribución, el efecto fijo y el efecto aleatorio.
El procedimiento GLMM se realizará para cada grupo/subconjunto especificado en el campo Por. El informe final es el siguiente. Los resultados se enumeran para cada grupo/subconjunto: respuesta y1_pseudo, respuesta y2_pseudo y respuesta y3_pseudo.
Ejemplo 7: datos de secuencia de ARN
Dado que los datos genómicos suelen ser de gran dimensión, donde el número de genes/SNP suele ser superior a 10k, realizar el análisis integrado podría resultar un desafío computacional. Para el interés futuro de utilizar este complemento para analizar los datos de RNA-seq, probamos el rendimiento cuando aumentamos la cantidad de genes que se especifican en el campo Por. Esta sección servirá como parte de la prueba de estrés, ya que la función Por no está escrita en subprocesos múltiples.
Los datos de ejemplo utilizados aquí son públicos en línea, del paquete (Hoffman & Roussos, 2020): https://bioconductor.org/packages/release/bioc/vignettes/variancePartition/inst/doc/dream.html
- varPartDEdata_count.jmp es la matriz de conteo original
- varPartDEdata_metadata.jmp Son los metadatos de las 24 muestras.
- varPartDEdata_stack10.jmp son los datos procesados, donde se apila la expresión genética de los primeros 10 genes, junto con otras variables de metadatos.
- varPartDEdata_stack100.jmp son los datos procesados, donde se apila la expresión genética de los primeros 100 genes, junto con otras variables de metadatos.
Del ejemplo en línea, para cada gen, podemos ajustar el modelo como:
Y ~ Subtipo de Enfermedad + Sexo + (1|Individual)
, donde “Subtipo de enfermedad” y “Sexo” son efectos fijos y “Individual” es el efecto aleatorio. Aquí la variable de respuesta Y
Dependerá de la elección de la distribución. Una opción de distribución es la distribución "Poisson", y en este caso utilizamos la "expresión" del recuento bruto como variable de respuesta. Una forma alternativa de modelar los datos de RNA-seq es tomar primero la transformación logarítmica de los recuentos y utilizar "logexprs" como variable de respuesta mientras se especifica la distribución "normal".
Usando los datos de ejemplo varPartDEdata_stack10.jmp , podemos derivar los resultados para cada uno de los diez genes por separado:
Usando “logexprs” como variable de respuesta, los resultados de Analizar>Ajustar modelo>Modelo mixto y nuestro complemento GLMM son los mismos. Cuando se utiliza la "expresión" de recuentos sin procesar como respuesta y se especifica la distribución "Poisson", el tiempo de ejecución es mayor. Si se alcanza el número máximo de iteraciones, podría implicar que la distribución o función de enlace seleccionada no se ajuste bien a los datos.
Número de subgrupos (genes) en Por variable
|
Tiempo de ejecución de Poisson (HH:MM:SS)
|
Tiempo de ejecución normal (HH:MM:SS)
|
Modelo mixto utilizando tiempo de ejecución de registro (recuento) (HH:MM:SS)
|
10
|
00:01:15
|
00:00:06
|
|
100
|
00:06:00
|
00:00:43
|
00:00:01
|
1000
|
01:25:19
|
00:09:05
|
00:01:41
|
10000
|
11:11:05
|
01:31:58
|
|
……
|
|
|
|
Cuando el número de genes/subgrupos especificados en el campo Por es mayor que el límite de informe por grupo = 10 , por ejemplo usando varPartDEdata_stack100.jmp , ya no mostraremos el informe. En su lugar, se proporcionará una tabla JMP de “resultados GLMM” junto con un gráfico de volcán. La tabla “Resultado GLMM” incluye parte de los resultados de la prueba F (DFDen_, F Ratio_, Prob > F_), las medias de mínimos cuadrados (LSMeans:), así como parte de las estimaciones de parámetros (Estimate:, -log10(Prob >|t|):).
Al especificar "logexprs" como Y y especificar la distribución "Normal", podemos derivar el siguiente conjunto de datos. (Disponible como Resultado GLMM.jmp )
El gráfico de volcán predeterminado se genera para el primer efecto fijo especificado. Puede cambiar de columna para ver el gráfico del volcán en busca de otras variables de interés.
(100 genes, logexprs)
(10000 genes, logexprs)
(10000 genes, expresión, Poisson)
Referencias
Hoffman, GE, & Roussos, P. (2020). sueño: Potente análisis de expresión diferencial para diseños de medidas repetidas. BioRxiv, 432567 .
Wolfinger, R., y O'connell, M. (1993). Modelos lineales mixtos generalizados: un enfoque de pseudoverosimilitud. Revista de Computación y Simulación Estadística , 48(3-4), 233-243.
Este complemento le permite ejecutar el modelo mixto lineal generalizado en JMP.
Desarrollo de aplicaciones analíticasCiencias de la vidaEstadísticasRe: Complemento de modelo mixto lineal generalizado@MeichenDong ¡Este es un gran complemento!
Tengo 17PRO, pero solo permite binomial o poisson, por lo que su conexión llena un vacío importante.
Estoy analizando un gran conjunto de datos de ARN, 6 tejidos x 2 genotipos x 10k genes. Utilizo factorial completo con tejidos y condiciones fijos y sujetos aleatorios. El gen es la variable Por.
Mi pregunta está en el resultado de las estimaciones y -logPs... para mi variable de tejido (6 valores), no obtengo las estimaciones o los valores de P para la última variable en el orden, solo las LSMeans. Si muevo el orden y vuelvo a ejecutar, puedo llegar allí... pero espero generar gráficos de volcanes para cada una de las interacciones (tissueXgeno). ¿Quizás estoy entendiendo mal el resultado? ¡Gracias de antemano!
Re: Complemento de modelo mixto lineal generalizado@pwrege estoy copiando @MeichenDong , quien puede responder a tu pregunta.Cuando utiliza la capacidad @, la persona que selecciona recibe un correo electrónico.
Re: Complemento de modelo mixto lineal generalizadoHola @pwrege , ¡Gracias por su pregunta! Si tiene acceso a JMP17 Pro, puede probar la versión más completa de GLMM en Analizar > Ajustar modelo y luego elegir Personalidad como "Modelo mixto lineal generalizado".
Para el complemento, me pregunto qué configuración de parámetros estaba usando. ¿Has intentado aumentar la "Iteración máxima" en el panel de opciones? A veces se necesitan más iteraciones para que el modelo converja. ¡Por favor déjame saber sí tienes más preguntas!
Re: Complemento de modelo mixto lineal generalizadoEstudio la ecología y el comportamiento de los elefantes de bosque en África central, utilizando monitoreo acústico. Estoy interesado en observar el efecto de la actividad maderera sobre la probabilidad de que un canto de elefante ocurra durante la noche en lugar de durante el día, porque otros estudios han sugerido que el aumento de los cantos nocturnos refleja una respuesta a la perturbación humana (principalmente la caza furtiva). Los datos son éxitos/ensayos, determinados a partir de registros en 9 sitios diferentes a diferentes distancias de la tala activa (= menos de unos pocos kilómetros).
Quería usar el complemento GLMM debido a la salida de medias marginales (sin efectos aleatorios en este análisis simple), pero las estimaciones de los parámetros y la importancia como predictores son enormemente diferentes de GLMM vs GLM y estoy interesado en saber por qué debería hacerlo. ser.
A continuación se muestran capturas de pantalla del resultado de las dos personalidades:
GLMM - eventos/ensayos - binomial - logit
Resumen de ajuste
R Plaza | 0.004847 |
Ajuste Rcuadrado | 0.002292 |
Error cuadrático medio | 0.939466 |
Media de respuesta | -0.0881 |
Observaciones (o pesos totales) | 194.2821 |
Análisis de variación
Fuente | DF | Suma de cuadrados | Cuadrado medio | Relación F |
Modelo | 2 | 3.34890 | 1.67445 | 1.8972 |
Error | 779 | 687.54205 | 0.88260 | Problema > F |
C. Total | 781 | 690.89095 | | 0.1507 |
Estimaciones de parámetros
Término | Estimar | Error estándar | relación t | Problema>|t| |
Interceptar | 0.0484165 | 0.097423 | 0,50 | 0.6193 |
año fiscal[1] | -0.084323 | 0.078483 | -1.07 | 0.2830 |
logexpos2[1sí] | 0.1389546 | 0.091878 | 1.51 | 0.1308 |
-
GLM - eventos/ensayos - binomial - logit
Prueba de modelo completo
Modelo | -LogProbabilidad | LR ChiCuadrado | DF | Prob>ChiSq |
Diferencia | 247.258921 | 494.5178 | 2 | <.0001* |
Lleno | 9444.02167 | | | |
Reducido | 9691.28059 | | | |
Estadística de bondad de ajuste | ChiCuadrado | DF | Prob>ChiSq |
pearson | 14001.87 | 779 | <.0001* |
Desviación | 18426.55 | 779 | <.0001* |
Pruebas de efectos
Fuente | DF | LR ChiCuadrado | Prob>ChiSq | |
año fiscal | 1 | 62.133979 | <.0001* | |
logexpos2 | 1 | 413.68264 | <.0001* | |
Estimaciones de parámetros
Término | Estimar | Error estándar | LR ChiCuadrado | Prob>ChiSq | CL inferior | CL superior |
Interceptar | 0.291917 | 0.0233196 | 162.24916 | <.0001* | 0.2463549 | 0.3377743 |
año fiscal[1] | -0.137987 | 0.0175207 | 62.133979 | <.0001* | -0.172342 | -0.103659 |
logexpos2[1sí] | 0.4319415 | 0.0217689 | 413.68264 | <.0001* | 0.3894144 | 0,4747556 |
-
Gracias por cualquier aporte
Re: Complemento de modelo mixto lineal generalizadoHola @winfriedkoch0 ,
Creo que la plataforma GLMM estará disponible en JMP PRO 17.
Re: Complemento de modelo mixto lineal generalizadoUsted mencionó en una respuesta anterior que la opción de estructuras de covarianza adicionales estará disponible en el próximo JMP 17. ¿Este mensaje es válido solo para JMP 17 o JMP 17 Pro?
Re: Complemento de modelo mixto lineal generalizadoHola @kandonov ,
Gracias por la pregunta. Si tiene varias variables dependientes, por ejemplo {y1, y2, y3}, desafortunadamente no funcionará especificarlas todas en el cuadro Y. Para este complemento, el único caso para colocar múltiples variables en el cuadro Y actualmente es nuestro ejemplo 5, que muestra el caso binomial en el que se utiliza una segunda variable para especificar n.
Sin embargo, existen algunas soluciones que le sugiero que pruebe.
Primero, puede apilar los datos (apilar y1, y2, y3 en una variable y) y ejecutar el complemento actual o 'Ajustar modelo' con personalidad de 'Modelo mixto', creando una nueva variable para indicar la variable multivariada (por ejemplo , los valores de esta variable podrían ser los nombres de variable 'y1', 'y2', 'y3' para sugerir a qué variable corresponde el valor y) y especificarlo como un efecto fijo junto con todos los demás y tal vez también algunas interacciones con él.Luego especifique 'sujeto' como un efecto aleatorio; esto establecería una estructura cov de simetría compuesta, que no es completamente multivariada sino una aproximación más simple a la misma.
En segundo lugar, yo Si los datos son Poisson o Binomiales, también puede funcionar centrarlos y escalarlos, y usar una aproximación normal con un modelo lineal mixto. Consulte ejemplos de 'Modelo apto' con personalidad de 'Modelo mixto'.
¡Por favor déjame saber sí tienes más preguntas! Siempre me pueden contactar en Meichen.Dong@jmp.com .
Mejor,
Meichen
Re: Complemento de modelo mixto lineal generalizadoEstimado Meichen,
¡Gracias por este gran complemento!
Sin embargo, tengo una pregunta. ¿Se puede realizar un GLMM multivariado usando este complemento? Quizás si agrego algunas variables dependientes en el cuadro "Y" funcionará, ¿no?
Salud,
k/
Re: Complemento de modelo mixto lineal generalizadoHola @MANCOVACpollo1 , ¡Gracias por tus preguntas!
Para la pregunta 1, idealmente si el modelo se ajusta bien a los datos, la convergencia (1e-8) se puede lograr antes de la trigésima iteración. Sin embargo, si no se logra la convergencia después de la iteración número 30, puede aumentar el número de iteraciones o perder los criterios de convergencia (por ejemplo, cambiarlo a 1e-7) para ver si se puede lograr la convergencia. En su caso, 30 iteraciones parecen no ser suficientes, por lo que aumentar el número de iteraciones es el camino correcto a seguir. Le sugiero que pueda aumentar este número a valores mayores como 200 para ver si los resultados cambian, en comparación con cuando lo configuró en 100. Ya que si se logra la convergencia, aumentar aún más el número de iteraciones le dará el mismo resultado.
Para la pregunta 2, si se elige la distribución Gamma, se utiliza el enlace canónico "recíproco" o "inverso". Por lo tanto, si desea derivar las medias LS en la escala de datos original, es necesaria una transformación. Eso significa que su valor esperado E(Y_i) = mu_i se modela como: 1/(mu_i) = b0+b1*x_1i + ...
Para derivar mu_i, deberá tomar el recíproco de los valores predichos: 1/(b0+b1*x_1i + ...).
¡Avíseme si tiene más preguntas! Siempre me pueden contactar en Meichen.Dong@jmp.com
Mejor,
Meichen
Re: Complemento de modelo mixto lineal generalizadoHola Meichen,
Soy nuevo en el uso del complemento GLMM. Mis preguntas son:
1. ¿Existe un número máximo "correcto" de iteraciones que se pueden especificar para un modelo en particular o es un enfoque de prueba y error? Intenté ejecutar el mismo modelo con el número máximo predeterminado (30) y luego con 100 iteraciones y eso arrojó resultados drásticamente diferentes. En 30 iteraciones, R2 era cercano a cero y ninguna de las variables tenía valores de p significativos (sección de prueba de efectos); en 100 iteraciones, el modelo R2 fue 0,7 y una variable explicativa de interés fue significativa en alfa 0,5.
2. Cuando elijo una distribución gamma, las medias LS y todas las estimaciones parecen estar en algún tipo de escala transformada y no en la escala de datos original. ¿Necesito volver a transformar los medios LS y qué transformación debo usar?
¡Gracias!
Re: Complemento de modelo mixto lineal generalizadoHola @AvgBrontosaurio ,
Esto podría estar relacionado con el parámetro " Por límite de informe de grupo ” – por ejemplo, si su variable BY tiene 20 niveles y desea ver todos los detalles del modelo, puede establecer este valor en 21 o más . Este parámetro está diseñado para evitar generar una cantidad abrumadora de resultados: digamos que cuando tienes niveles de 10k, probablemente no quieras ver los resultados uno por uno.
Re: Complemento de modelo mixto lineal generalizadoHola Meichen, probé uno de los ejemplos y estoy teniendo la oportunidad.
el mismo problema. Después de presionar ejecutar, las únicas dos ventanas que aparecen son la
hoja de cálculo con todos los valores de la tabla ANOVA y LSM y el gráfico
constructor. Cuando no incluyo un factor "por", aparece el informe completo
automáticamente.
Re: Complemento de modelo mixto lineal generalizadoHola @AvgBrontosaurio , gracias por tu pregunta! ¿Quiso decir que el informe GLMM no apareció después de especificar los parámetros y variables? ¿Podría ejecutar algunos de los ejemplos que le proporcionamos con éxito? ¿Te gustaría compartir más detalles? No dude en enviar más preguntas a mi correo electrónico: Meichen.Dong@jmp.com !
Re: Complemento de modelo mixto lineal generalizadoHola Meichen,
Tengo problemas para encontrar el informe del GLMM cuando lo ejecuto según un factor de subgrupo. Obtengo el generador de gráficos y la tabla ANOVA, pero quiero ejecutar análisis post hoc. Normalmente los ejecuto en el informe final que se crea automáticamente. ¿Hay alguna forma de llamar a ese informe? ¿O, alternativamente, ejecutar análisis post hoc de otra manera?
¡Gracias!
Re: Complemento de modelo mixto lineal generalizadoHola @Ning214 , Me pregunto cuáles son los nombres de sus variables. Sería genial si pudieras proporcionar más detalles o enviarme un ejemplo de juguete. Además, no dude en enviar sus datos por correo electrónico a Meichen.Dong@jmp.com.
Re: Complemento de modelo mixto lineal generalizadoHola,
Todas las muestras de datos se ejecutan sin problemas en mi jmp pro 15. Sin embargo, cuando estoy ejecutando mis datos de recuento (distribución de Poisson), esto es lo que encuentro:
Esperando su ayuda.
Muchas gracias.
Re: Complemento de modelo mixto lineal generalizadoHola @smartxalex Alex, mencionaste que tu variable de resultado es continua, entonces, ¿cómo especificaste los parámetros en el complemento? Específicamente, ¿qué "Distribución" y "Enlace" se especificaron? Si el resultado sigue una distribución normal, entonces puede probar el modelo MIXTO en JMP. ¡No dude en enviarme un correo electrónico para obtener más detalles/ejemplos de juguetes de su pregunta! Mi e-mail es: Meichen.Dong@jmp.com
Mejor,
Meichen
Re: Complemento de modelo mixto lineal generalizadoBuenas noches,
Esperaba que alguien pudiera ayudarme con un problema.No puedo hacer que este complemento funcione durante mi vida.Puedo hacer que funcione con los datos de muestra proporcionados anteriormente; sin embargo, tengo algunos datos muy simples que me gustaría modelar.Tengo una variable dependiente continua; una variable independiente continua y una variable binaria.Quiero probar el efecto que tiene la variable binaria en la variable dependiente continua pero sigo recibiendo un mensaje de error que dice:
"todas las filas tienen datos excluidos o faltantes.La columna con más datos faltantes es (variable binaria)"; sin embargo, no faltan datos.Todas las filas tienen datos ingresados.
Al hacer clic en "Aceptar", aparece otro mensaje de error que dice:
"No se pudo encontrar la columna en el acceso o evaluación de 'Columna', Columna/*###*/("Cond Pred Formula _pseudo")".
Al mirar la tabla generada, tanto "_eta" como "_pseudo" tienen valores en blanco.
Actualmente estoy en JMP 15. Cualquier ayuda sería muy apreciada ya que me gustaría depender únicamente de JMP para mi producción en lugar de tener que ir y venir entre diferentes software para satisfacer mis necesidades.¡Gracias de antemano!
Atentamente,
Alex
Re: Complemento de modelo mixto lineal generalizadoHola @MagaSganga , Acabo de descubrir el problema que mencionaste y prueba el complemento actualizado. ¡Gracias por tus comentarios!
Re: Complemento de modelo mixto lineal generalizadoHola @smmarsh2 , ¡Gracias por la pregunta! Actualmente, en este complemento, no proporcionamos opciones para las matrices de covarianza. Sin embargo, tendremos una nueva plataforma JMP GLMM en JMP 17 (la nueva versión). Inicialmente, la nueva plataforma consta únicamente de matrices de covarianza del lado G, lo que en JMP significa componentes de varianza y modelos de coeficientes aleatorios (con covarianzas). Las estructuras de covarianza del lado R para medidas repetidas y/o datos espaciales están planificadas para una versión futura.
Por favor hazme saber si tienes preguntas.
Mejor,
Meichen
Re: Complemento de modelo mixto lineal generalizadoEstoy empezando a aprender GLIMMIX. Sin embargo, mi mentor lo usa con frecuencia en SAS (no en JMP). Su comentario para el complemento es:
Al observar sus ejemplos, siempre han utilizado los componentes de varianza como matriz de covarianza. Para mí, esa matriz nunca ha dado el AICC más bajo. Esperemos que haya una manera de cambiar la matriz utilizada.
¿Existen otras opciones para las matrices de covarianza?
¡Gracias!
Estefanía
Re: Complemento de modelo mixto lineal generalizadoHola @MagaSganga ,
¿Ha probado con nuestros datos de ejemplo y ha visto si funciona en su máquina con su versión actual de JMP?
Una cosa que sugeriría probar es establecer la variable "Por" como tipo de modelado nominal y de carácter. Si aún tiene problemas para ejecutar esto, no dude en enviarnos más detalles o datos de ejemplo de un juguete.
Re: Complemento de modelo mixto lineal generalizadoHola @MeichenDong . Estoy usando su complemento y tengo un problema con By. No puedo hacerlo funcionar. Cuando selecciono una columna y la coloco, me arroja este error:
Glimmix tiene 13 parámetros (respuesta, efectos_fijos, efectos_aleatorios, distribución, enlace, maxiter = 50, converger = 0.00000001, offset = 0, cf = 0.5, peso = 1, expon = 1, numder = 0.00001, ynom_reference) pero se han indicado 10 argumentos ("PL MIN", "Posicion unificada", "ID, Contrario", "Poisson", "", 30, 0.00000001, "", 0.5, "").
al acceder o evaluar 'Function' , Function(
{respuesta, efectos_fijos, efectos_aleatorios, distribución, enlace, maxiter = 50,
converger = 0.00000001, desplazamiento = 0, cf = 0.5, peso = 1, exponen = 1, número =
0.00001, ynom_reference},
{iter, rmse, anterior, curr, err, dt},
dt = Tabla de datos actual();
y el texto continúa. La columna Gato que puse en By es numérica y ordinal. El programa funciona cuando dejé esto en blanco.
Descargué e instalo este complemento hace 5 días, así que creo que tengo la última versión.
Gracias.
Re: Complemento de modelo mixto lineal generalizadoHola @YAMAg , gracias por la pregunta! Me pregunto si ha intentado descargar los datos de ejemplo y ver si el complemento funciona.¿Podrías comprobar si los tipos de modelado de las variables están configurados correctamente? Si los pasos anteriores no ayudan, no dude en enviar por correo electrónico su ejemplo de juguete/preguntas detalladas a Meichen.Dong@jmp.com .
Mejor,
Meichen
Re: Complemento de modelo mixto lineal generalizadoHola, esto es justo lo que estaba buscando y me parece útil.
Me gustaría hacerle una pregunta ya que no estoy seguro de cómo realizar el análisis.
Me gustaría hacer un GLMM para buscar factores relacionados con un resultado que sea una variable binaria. Al hacerlo, mis datos están anidados en individuos porque fueron recopilados varias veces del mismo sujeto.
Agregué el resultado (variable binaria, nombre) a Y, el factor exploratorio a Efecto fijo y el ID (para identificar al sujeto) a Efecto aleatorio; No agregué nada a Peso, Compensación o Por. Sin embargo, no pude analizarlo bien porque recibí un mensaje de error de Columm/*##*/(*Cond Pred Fomula_pseudo*). Espero que puedas darme algún buen consejo.
Re: Complemento de modelo mixto lineal generalizadoHola @juaccco123 , mi e-mail es Meichen.Dong@jmp.com . ¡No dude en enviar preguntas detalladas o conjuntos de datos de juguetes!
-Meichen
Re: Complemento de modelo mixto lineal generalizadoHola Meichen, gracias por la rápida respuesta.
Estoy usando JMP 15, probé tu sugerencia en una PC (poniendo la variable antes de las variables del modelo) y todavía no funciona.
¿Cómo puedo compartirles mi conjunto de datos?
Re: Complemento de modelo mixto lineal generalizadoHola @juaccco123 ¿Intentaste seleccionar todas las variables de interés antes de hacer clic en la cruz? Esto funciona por mi parte. ¿Estás usando una máquina Mac o Windows? ¿Qué versión de JMP estás usando?
También puedo echar un vistazo más de cerca si tienes algún conjunto de datos de juguetes.
-Meichen
Re: Complemento de modelo mixto lineal generalizadoAcabo de descargar el complemento y estoy intentando cruzar variables para mis efectos fijos y aleatorios. Sin embargo, cuando selecciono las variables y hago clic en "cruzar", no sucede nada.
¿Usted me podría ayudar?
Gracias
Re: Complemento de modelo mixto lineal generalizadoHola @sandeep123 , Acabo de actualizar el complemento. Consulte la nueva parte agregada 'Ejemplo 2.1'. Esto debería permitirle trabajar con resultados nominales sin tener que volver a codificar manualmente el resultado en formato numérico. ¡Por favor hágame saber si tiene preguntas! ¡Gracias por tus comentarios!
Re: Complemento de modelo mixto lineal generalizadoHola @sandeep123 , ¡Esta es una buena pregunta! Para la versión actual, podemos "recodificar" la variable de resultado y realizar el análisis (ver figuras a continuación). Actualizaremos el complemento para permitir el resultado nominal pronto.
Re: Complemento de modelo mixto lineal generalizadoMe interesa la variable de resultado nominal (mortalidad sí/no). Tengo datos de varios sitios. Quería incluir sitios como variable aleatoria en el modelo.
jmp no permite efectos aleatorios, así que estoy buscando opciones
Re: Complemento de modelo mixto lineal generalizadoHola @sandeep123 , el ejemplo 2 y el ejemplo 6 son para la variable binaria y. La función de enlace predeterminada es logit. ¿Sería esto algo que estás buscando?
Re: Complemento de modelo mixto lineal generalizado¿Hay alguna manera de ejecutar esto para la variable categórica y (regresión logística)?
Re: Complemento de modelo mixto lineal generalizadoHola yo_yampolsky,
Puede ser que estés en la versión 10. Sí, definitivamente funciona en 15.
¡Gracias!
Re: Complemento de modelo mixto lineal generalizado¿Es esto quizás específico de la versión? Todavía estoy en Ver. 10 pero tengo acceso a 14 o 15 en otro lugar, ¿funcionará en 14 o 15?
Re: Complemento de modelo mixto lineal generalizadoEsto es genial, exactamente lo que estaba buscando, particularmente con la solución alternativa a los efectos anidados.
Aunque tengo problemas para ejecutarlo. Las opciones necesarias Distribución y Enlace están atenuadas y no se puede hacer clic en ellas para realizar una selección.
¿Qué estoy haciendo mal?
¡Gracias!
Re: Complemento de modelo mixto lineal generalizadoHola @CraigSargent , cuando Año es un efecto aleatorio y Prueba está anidada dentro de Año, también podríamos hacer algo similar. Podría intentar probar los siguientes dos modelos:
Modelo 1: Y = Efectos fijos + Año + Prueba[Año]
Modelo 2: Y = efectos fijos + año + nueva_variable
donde "nueva_variable" son los ID únicos para cada año y prueba.
Por ejemplo, si tenemos Año = 2018, 2019 y para cada año, y tenemos niveles de prueba = A, B, C, D. Entonces los datos pueden verse así:
Año de prueba new_variable
2018 A 2018_A
2018 B 2018_B
2018 C 2018_C
2018 D 2018_D
2019 A 2019_A
2019 B 2019_B
2019 C 2019_C
2019 D 2019_D
El Modelo 1 y el Modelo 2 deberían darnos el mismo resultado. Por lo tanto, al utilizar el Modelo 2, ya no necesitamos especificar efectos "anidados".
Avíseme si lo anterior no es lo suficientemente claro; estaré encantado de brindarle más ejemplos.
-Meichen
Re: Complemento de modelo mixto lineal generalizadoGracias por aclarar cómo obtener el complemento.
Gracias también por la solución para los efectos anidados.
Donde utilizo efectos anidados es en diseños como diagramas divididos o diseños a largo plazo que involucran pruebas experimentales dentro y entre años; por ejemplo, Año es un efecto aleatorio y Prueba anidada dentro de Año es un efecto aleatorio.
Re: Complemento de modelo mixto lineal generalizadoHola @CraigSargent , en la parte superior de esta página web, puede ver nuestros archivos fuente. Guarde el archivo "Generalized Linear Mixed Model.jmpaddin" en su unidad/carpeta local, digamos Escritorio. Luego, desde el JMP de la sala virtual, elija > Archivo > Abrir > Escritorio > Modelo lineal mixto generalizado.jmpaddin.
Para la pregunta sobre efectos anidados, @sbrlsi De hecho, sugirió que es sencillo evitar su uso. Solo necesitamos crear una columna con identificadores únicos dentro de cada nivel de la variable de anidamiento.
Veamos aquí un ejemplo sencillo: https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/two-factor-nested-random-effects-model.shtml .
Puede acceder a los datos de ejemplo de "2 Factors Nested.jmp" eligiendo Ayuda> Datos de muestra > Sistemas de medición > 2 Factors Nested.jmp. Los datos se ven así:
Puede ver que "Parte" está anidada en "Operador" y "Parte" tiene una identificación única dentro de cada nivel de "Operador".
Podrías ajustar dos modelos como los siguientes, ya sea usando Parte[operador] o Parte, y los resultados serán los mismos.
¡Avíseme si tiene preguntas sobre esto!
Re: Complemento de modelo mixto lineal generalizadoGracias. ¿Dónde encuentro el archivo complementario para guardarlo en mi disco local?
En cuanto a los efectos anidados, espero que agregues esa función pronto. La mayoría de mis diseños experimentales en mi investigación involucran efectos anidados. Seguiré usando GLIMMIX en SAS para eso, hasta que agregue efectos anidados adecuados a su complemento JMP.
Gracias por abordar los GLMM en JMP. Eso es algo que vengo pidiendo desde hace años.
Re: Complemento de modelo mixto lineal generalizadoHola @CraigSargent ,
Para su primera pregunta, cuando usa JMP en el laboratorio virtual/Den, siempre que haya guardado primero el archivo complementario en la unidad local, ¡también debería poder instalarlo virtualmente! Lo probé usando el laboratorio virtual de mi escuela y funciona bien. ¡Avíseme si usted o sus alumnos encuentran algún problema!
Para la segunda pregunta, nuestra versión actual del complemento aún no permite ajustar los efectos anidados. ¡Podríamos agregar esa función más adelante!
Re: Complemento de modelo mixto lineal generalizado¿Se pueden anidar efectos fijos o aleatorios? Eso no queda claro en la parte del modelo de construcción de la interfaz que se muestra en los videos.
Re: Complemento de modelo mixto lineal generalizadoCuando dice que tenemos que instalar este complemento, ¿cómo funciona? Mi universidad tiene una licencia de sitio para JMP y podemos descargar una copia a nuestra computadora principal o usarla en lo que llamamos Virtual Den a través de un entorno Citrix. Cuando mis alumnos usan JMP en el aula en sus computadoras portátiles, lo usan principalmente en el Virtual Den. En ese caso, ¿necesitaríamos que nuestros administradores de red incluyan el complemento? Gracias.
Re: Complemento de modelo mixto lineal generalizadoHola Meichen
Muchas gracias. ¡Funciona muy bien! Con suerte, no fue demasiado trabajo extra para arreglar.
Pedro
Re: Complemento de modelo mixto lineal generalizadoHola @PDunn , He actualizado el archivo complementario aquí. ¿Podrías descargarlo nuevamente y probarlo ahora? Creo que esta solución debería resolver el problema. ¡Por favor déjame saber sí tienes más preguntas! -Meichen
Re: Complemento de modelo mixto lineal generalizadoHola Pedro @PDunn Sí, el gráfico del volcán es una buena figura resumida y MixedModel no lo genera directamente. ¡Se actualizará si esto se soluciona! JMP Genomics tiene un buen flujo de trabajo de análisis de secuencia de ARN y puede comprobarlo si está interesado. -Meichen
Re: Complemento de modelo mixto lineal generalizadoHola
Gracias por volver a contactarme. Sí, intenté reinstalarlo y todavía tengo el mismo error. También lo probé en JMP 14 en una Mac. Estaba usando Win10 antes. Sigue siendo el mismo problema. Pero después de pensar más en esto y observar el resultado (el archivo en línea GLMM result.jmp), creo que todavía puedo usarlo sin la opción "Por". Para estudiar muchos genes a la vez, en realidad quiero los resultados de significación por gen que no obtengo con el comando "por". Por otro lado, probablemente necesites el comando “by” para obtener los gráficos de los volcanes. Al menos para variables de respuesta distribuidas normalmente, puedo seguir usando MixedModel. Sin embargo, sería bueno tener esto funcionando. Me pregunto si tienen esto ejecutándose en el paquete JMP Genomics (nunca lo he mirado).
Gracias de nuevo por tu ayuda y que tengas un buen resto de verano. Pedro
Re: Complemento de modelo mixto lineal generalizadoHola Pedro @PDunn ¡Gracias por intentarlo! (¿Intentaste no "anular el registro" y reinstalarlo directamente?) ¡Definitivamente hay algo que debe arreglarse! La función "Por" se agregó recientemente y es posible que necesite más depuración. Estaba usando JMP 15.2 mientras escribía el complemento, pero no creo que la versión importe. En realidad, este es mi proyecto de pasantía de verano y puede que me lleve un tiempo corregir el error y actualizarlo, ya que ahora tengo acceso limitado a JMP. ¡Te mantendré informado una vez que tenga una solución!
Re: Complemento de modelo mixto lineal generalizadoHola
Gracias por volver a mí. Simplemente "cancelé el registro" del complemento y luego lo reinstalé. Luego probé el complemento nuevamente en el archivo "varPartDEdata_stack10". El complemento no funcionó incluso después de que cambié el nombre de la variable "por" a Gene1 (originalmente Gene) o la copié en una nueva columna y le cambié el nombre. También intenté reiniciar el programa (JMP 16EA) y todavía tenía el problema.
Entonces no estoy seguro de qué podría estar mal. El error dice: Nombre sin resolver: Gene1 en la fila1 en el acceso o evaluación de 'Gene1', Gene1/*###*/
Si dejo de lado la variable "por" (Gene1), se ejecutará, pero obviamente es valioso saber qué genes son importantes aquí.
gracias, pedro
Re: Complemento de modelo mixto lineal generalizadoHola @PDunn Veo tu problema y sí, a mí me pasó a veces y estoy tratando de solucionarlo. Con la versión actual, ¿puedes intentar reinstalar el complemento y ver si el ejemplo de RNA-seq funciona? A veces también funciona cambiar el nombre de la variable 'por' en la tabla de datos.
Re: Complemento de modelo mixto lineal generalizadoHola
Sí, esto parece muy útil.Probé el ejemplo del barco y funciona, pero el último ejemplo con los datos de RNA-seq me da un error críptico y también me da un error algo similar con mis propios datos de RNA-seq.Con el conjunto de datos varPartDEdata_stack10.jmp, seguí las instrucciones (y el video de YouTube) con Y=logexprs, By = Gene, distribución normal, efectos fijos de Sex and DiseaseSubtype y efecto aleatorio de Individual.Presioné Ejecutar y aparece un error: Nombre sin resolver: Gene en la fila 1 en el acceso o evaluación de 'Gene', Gene/*###*/.
¿Alguna sugerencia?
gracias, pedro
Re: Complemento de modelo mixto lineal generalizadoEste complemento será de gran valor para los usuarios de JMP.
