Componente aggiuntivo del modello misto lineare generalizzatoQuesto componente aggiuntivo consente di eseguire il modello misto lineare generalizzato in JMP. Le impostazioni predefinite dei parametri sono per lo più le stesse della macro SAS %GLIMMIX, che utilizza probabilità riponderate iterativamente per adattarsi al modello (Wolfinger & O'Connell, 1993).
IL Seleziona il pannello Colonne mostra tutte le variabili nel set di dati corrente.
IL Seleziona il pannello Variabili del ruolo permette di specificare:
- Y: la variabile di risposta.
- Peso: una variabile di ponderazione per l'analisi.
- Offset: la variabile offset. L'impostazione predefinita non prevede alcun offset.
- Per: la variabile per consente di adattare simultaneamente i modelli per i sottogruppi.
IL Costruisci effetti del modello il pannello include:
- Effetti fissi
- Effetti casuali
IL Pannello delle opzioni include:
- Distribuzione : la distribuzione delle variabili di risposta. L'impostazione predefinita è binomiale.
- Collegamento : la funzione di collegamento da utilizzare per trasformare la variabile di risposta in pseudo punteggi prima di utilizzare il modello misto. Vengono fornite le funzioni di collegamento canoniche.
- Iterazione massima : il numero massimo di iterazioni affinché l'algoritmo converga. Il valore predefinito è 30.
- Criterio di convergenza : se l'RMSE è inferiore al valore del criterio di convergenza, l'iterazione si interromperà. Il valore predefinito è 1E-8.
- Fattore di correzione : una costante aggiunta alla variabile di risposta nella fase iniziale della trasformazione per evitare singolarità. Il valore predefinito è 0,5.
- Per limite di report del gruppo : quando si specifica una variabile Per, se il numero di sottogruppi è maggiore di questo numero limite, l'output del report verrà soppresso. Verranno invece fornite una tabella di riepilogo e un'interfaccia del costruttore di grafici.
Illustreremo i dettagli del componente aggiuntivo utilizzando esempi disponibili online (sito web dei risultati macro di %GLIMMIX: https://support.sas.com/techsup/notes/v8/25/030.html oppure il sito web PROC GLIMMIX: https://go.documentation.sas.com/?docsetId=statug&docsetVersion=15.1&docsetTarget=statug_glimmix_examples.htm&locale=en ). Per derivare risultati comparativi utilizzando la macro SAS, impostare l'opzione 'DDFM=KR' nell'istruzione MODEL, impostare anche l'opzione 'NOBOUND' nell'istruzione PROC MIXED.
I video dimostrativi sono disponibili anche online:
Esempio 6 – Formato lungo dei dati di Salamander: https://youtu.be/6gCqufudFV4
Esempio 7 – Dati RNA-seq: https://youtu.be/o4LeTmVzzVE
Esempio 1 – Distribuzione di Poisson (ship_demo.jmp):
Quello che segue è uno scorcio dei dati della nave (originariamente da McCullagh e Nelder (1989), Sezione 6.3.).
La variabile di risposta è “N”, che segue la distribuzione di Poisson. L'effetto fisso nel Modello Lineare Misto Generalizzato è “tipo”; e gli effetti casuali sono “anno, periodo, anno*periodo”. La variabile offset è “servizio”.
La funzione di collegamento predefinita per la distribuzione di Poisson è il collegamento 'log'. Tieni presente che, se desideriamo utilizzare i collegamenti canonici (predefiniti) per una distribuzione selezionata, possiamo semplicemente lasciare vuota la casella del collegamento.
I termini di interazione possono essere aggiunti selezionando due o più variabili e facendo clic sul pulsante "croce" nel pannello Effetti fissi o Effetti casuali.
Fare clic sul pulsante "Esegui" dopo aver specificato tutti i parametri del modello. Dopo 28 iterazioni, l'algoritmo converge. L'output del risultato è del formato Modello misto in JMP. Si noti che quando si confrontano i risultati macro di %GLIMMIX SAS, a causa della differenza nella codifica della matrice di progettazione, suggeriamo di confrontare i risultati del test F, le medie LS o le stime dei componenti della varianza invece delle stime dei parametri degli effetti fissi.
Esempio 2 – Distribuzione binaria (sal1.jmp):
Quello che segue è uno scorcio dei dati di Salamander (originariamente da McCullagh e Nelder (1989), Sezione 14.5). Si noti che prima di eseguire l'analisi, definire il tipo di modellazione appropriato per le variabili di interesse. Nell'esempio seguente, le variabili “fnum, mnum” sono numeri continui. Ma se vogliamo usarle come variabili categoriali, possiamo fare clic con il pulsante destro del mouse sul nome della variabile > informazioni sulla colonna, quindi modificare il tipo di modello in nominale.
Specifica del modello: Variabile di risposta: ybin. Distribuzione: binomiale. Funzione di collegamento: logit.
Effetto fisso: fpop, mpop, fpop*mpop. Effetto casuale: fpop*fnum, mpop*mnum.
L'algoritmo converge dopo 10 iterazioni.
Esempio 2.1 Distribuzione binaria (sal1_ynominal.jmp):
Se il risultato è caratteristico/nominale , ad esempio "ybin_char" nei seguenti dati (i livelli sono Y e N), offriamo l'opzione "Livello di riferimento per il risultato nominale (Y)" . È possibile specificare il livello di riferimento, ad esempio 'N' come predefinito. Un altro esempio: il risultato Y ha livelli ' Alto ' E ' Basso ', e puoi specificare ' Basso ' nella casella Livello di riferimento per il risultato nominale (Y).
Esempio 3 – Distribuzione binomiale (blotch.jmp)
Fonte di dati: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex04.htm&docsetVersion=15.1&locale=en
La variabile di risposta “prop” indica il incidenza . “sito” e “varietà” sono i due effetti fissi. Selezioniamo la distribuzione “Binomiale” e la funzione di collegamento predefinita è “Logit”. (In questo esempio non specifichiamo alcun effetto casuale.)
Le medie LS di “varietà” e “sito” sono coerenti con quelle della macro %GLIMMIX e PROC GLIMMIX. Tuttavia, i risultati del test F hanno mostrato discrepanze.
Esempio 4 – Distribuzione binomiale (rcb_binomial.jmp)
Dopo 6 iterazioni, otteniamo il seguente risultato. Questo risultato è coerente con il risultato generato dalla macro %GLIMMIX, ma leggermente diverso dal risultato di PROC GLIMMIX.
Per ricavare il previsto “ eventi/prove " O " successi/prove totali ” tariffe, eseguire la trasformazione:
dove la stima di
è la colonna "_pred" nella nostra tabella dati. Questo può essere fatto aggiungendo manualmente una colonna nella tabella dati e impostandovi una formula.
Nello specifico, dopo aver eseguito il componente aggiuntivo GLMM, il tuo set di dati appare come di seguito.
Possiamo creare una nuova colonna e impostarvi la formula:
Quindi, potremmo eventualmente ricavare la nuova variabiledicted_rate come mostrato di seguito:
Esempio 5 – Distribuzione binomiale (hessianfly.jmp)
Fonte di dati: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex01.htm&docsetVersion=15.1&locale=en
La risposta è "sì/n", che è nella forma " eventi/prove " O " successi/prove totali ”. Quando specifichiamo le variabili di risposta Y, dobbiamo selezionare prima la variabile "eventi", in questo caso "y", e poi selezionare successivamente la variabile "prove". Pertanto, "n" viene selezionato dopo "y". Imposta "entrata" come effetto fisso e "blocco" come effetto casuale. Scegli la distribuzione “Binomiale” e utilizza la funzione di collegamento “Logit” predefinita.
Dopo 6 iterazioni, otteniamo i risultati come segue:
I risultati degli esempi precedenti possono essere verificati mediante SAS PROC GLIMMIX e la macro %GLIMMIX. Il codice SAS_Example_macro_proc_verification.sas è disponibile su richiesta .
Esempio 6 – Distribuzione binaria (sal1_long.jmp):
Quando i dati sono costituiti da sottoinsiemi e si desidera modellare ciascun gruppo/sottoinsieme in modo indipendente, è possibile specificare la variabile indicatore del gruppo/sottoinsieme nel campo “Per”.
In questo esempio, sal1_long.jmp è la versione in pila dei dati Salamander (originariamente da McCullagh e Nelder (1989), Sezione 14.5). Qui le variabili di risposta “y1, y2, y3” vengono impilate nella variabile “ystack”. La variabile “ycat” indica la categoria di risposta originale.
Qui, specifica "ystack" come variabile di risposta e "ycat" come variabile By. Analogamente alle impostazioni dell'esempio 2, possiamo specificare la distribuzione, l'effetto fisso, l'effetto casuale.
La procedura GLMM verrà eseguita per ciascun gruppo/sottoinsieme specificato nel campo Per. Il rapporto finale è il seguente. I risultati sono elencati per ciascun gruppo/sottoinsieme: risposta y1_pseudo, risposta y2_pseudo e risposta y3_pseudo.
Esempio 7 – Dati RNA-seq
Poiché i dati genomici sono solitamente di dimensioni elevate, dove il numero di geni/SNP è solitamente maggiore di 10k, eseguire l'analisi integrata potrebbe essere impegnativo dal punto di vista computazionale. Per l'interesse futuro dell'utilizzo di questo componente aggiuntivo per analizzare i dati RNA-seq, testiamo le prestazioni quando si aumenta il numero di geni specificati nel campo Per. Questa sezione servirà come parte dello stress test, poiché la funzione By non è scritta in multi-threading.
I dati di esempio utilizzati qui sono pubblici online, dal pacchetto (Hoffman & Roussos, 2020): https://bioconductor.org/packages/release/bioc/vignettes/variancePartition/inst/doc/dream.html
- varPartDEdata_count.jmp è la matrice di conteggio originale
- varPartDEdata_metadata.jmp sono i metadati per i 24 campioni
- varPartDEdata_stack10.jmp sono i dati elaborati, in cui viene impilata l'espressione genica dei primi 10 geni, insieme ad altre variabili di metadati.
- varPartDEdata_stack100.jmp sono i dati elaborati, in cui viene impilata l'espressione genica dei primi 100 geni, insieme ad altre variabili di metadati.
Dall'esempio online, per ciascun gene, possiamo adattare il modello come:
Y ~ Sottotipo Malattia + Sesso + (1|Individuo)
, dove “DiseaseSubtype” e “Sex” sono effetti fissi e “Individual” è l’effetto casuale. Qui la variabile di risposta Y
dipenderà dalla scelta della distribuzione. Una scelta della distribuzione è la distribuzione “Poisson” e in questo caso utilizziamo il conteggio grezzo “espressione” come variabile di risposta. Un modo alternativo per modellare i dati RNA-seq consiste nel prendere prima la trasformazione logaritmica dei conteggi e utilizzare "logexprs" come variabile di risposta specificando la distribuzione "Normale".
Utilizzando i dati di esempio varPartDEdata_stack10.jmp , possiamo derivare i risultati per ciascuno dei dieci geni separatamente:
Utilizzando "logexprs" come variabile di risposta, i risultati di Analizza>Adatta modello>Modello misto e del nostro componente aggiuntivo GLMM sono gli stessi. Quando si utilizza l'"espressione" dei conteggi grezzi come risposta e si specifica la distribuzione "Poisson", il tempo di esecuzione è più lungo. Se viene raggiunto il numero massimo di iterazioni, ciò potrebbe implicare che la distribuzione selezionata o la funzione di collegamento potrebbe non adattarsi bene ai dati.
Numero di sottogruppi (geni) nella variabile Per
|
Tempo di esecuzione di Poisson (HH:MM:SS)
|
Tempo di esecuzione normale (HH:MM:SS)
|
Modello misto che utilizza il tempo di esecuzione del log (conteggio) (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
|
|
……
|
|
|
|
Quando il numero di geni/sottogruppi specificato nel campo Per è maggiore di Limite rapporto per gruppo=10 , ad esempio utilizzando varPartDEdata_stack100.jmp , non mostreremo più il rapporto. Verrà invece fornita una tabella JMP "risultati GLMM" insieme a un grafico del vulcano. La tabella "Risultato GLMM" include parte dei risultati del test F (DFDen_, Rapporto F_, Prob > F_), le medie dei minimi quadrati (LSMeans:), nonché parte delle stime dei parametri (Stima:, -log10(Prob >|t|):).
Specificando "logexprs" come Y e specificando la distribuzione "Normale", possiamo derivare il set di dati di seguito. (Disponibile come Risultato GLMM.jmp )
Il grafico del vulcano predefinito viene generato per il primo effetto fisso specificato. Puoi cambiare colonna per esaminare il grafico del vulcano per altre variabili di interesse.
(100 geni, logexprs)
(10000 geni, logexprs)
(10000 geni, espressione, Poisson)
Riferimenti
Hoffmann, GE, & Roussos, P. (2020). sogno: potente analisi dell'espressione differenziale per progetti a misure ripetute. BioRxiv, 432567 .
Wolfinger, R., e O'Connell, M. (1993). Modelli misti lineari generalizzati: un approccio di pseudo-verosimiglianza. Giornale di calcolo statistico e simulazione , 48(3-4), 233-243.
Questo componente aggiuntivo consente di eseguire il modello misto lineare generalizzato in JMP.
Sviluppo di applicazioni analiticheScienze di vitaStatisticheRi: Componente aggiuntivo del modello misto lineare generalizzato@MeichenDong questo è un ottimo plug-in!
Ho 17PRO, ma consente solo il binomio o il poisson, quindi il tuo collegamento colma una lacuna importante.
Sto analizzando un ampio set di dati di RNA, 6 tessuti x 2 genotipi x 10k geni. Utilizzo il fattoriale completo con tessuti e condizioni fissi e il soggetto come casuale. Gene è la variabile By.
La mia domanda è nell'output per le stime e -logPs...per la mia variabile tissutale (6 valori), non ottengo le stime o i valori P per qualunque variabile sia l'ultima nell'ordine, solo le LSMeans. Se sposto l'ordine e lo rieseguo, posso arrivarci... ma spero di produrre grafici del vulcano per ciascuna delle interazioni (tissueXgeno). Forse ho frainteso l'output? Grazie in anticipo!
Ri: Componente aggiuntivo del modello misto lineare generalizzato@pwrege Sto copiando @MeichenDong , che può rispondere alla tua domanda.Quando utilizzi la funzionalità @, la persona selezionata riceve un'e-mail.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @pwrege , Grazie per la tua domanda! Se hai accesso a JMP17 Pro, puoi provare la versione più completa di GLMM in Analizza> Adatta modello, quindi scegli Personalità come "Modello misto lineare generalizzato".
Per il componente aggiuntivo, mi chiedo quali impostazioni dei parametri stavi utilizzando. Hai provato ad aumentare la "Iterazione massima" nel pannello delle opzioni? A volte sono necessarie più iterazioni affinché il modello converga. Per favore fatemi sapere se avete altre domande!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoStudio l'ecologia e il comportamento degli elefanti delle foreste nell'Africa centrale, utilizzando il monitoraggio acustico. Sono interessato a osservare l'effetto dell'attività di disboscamento sulla probabilità che il richiamo di un elefante avvenga durante la notte piuttosto che durante il giorno, perché altri studi hanno suggerito che l'aumento del richiamo notturno riflette una risposta al disturbo umano (soprattutto bracconaggio). I dati sono successi/prove, determinati da registrazioni in 9 siti diversi a distanze diverse dalla registrazione attiva (= più vicino di pochi chilometri).
Volevo utilizzare il componente aggiuntivo GLMM a causa dell'output delle medie marginali (nessun effetto casuale in questa semplice analisi), ma le stime dei parametri e la significatività come predittori sono estremamente diverse da GLMM vs GLM e sono interessato al motivo per cui questo dovrebbe Essere.
Di seguito sono riportati gli screenshot dell'output delle due personalità:
GLMM - eventi/prove - binomio - logit
Riepilogo dell'adattamento
RSquadro | 0,004847 |
RSquadro agg | 0,002292 |
Errore quadratico medio | 0.939466 |
Media della risposta | -0,0881 |
Osservazioni (o Somma Pesi) | 194.2821 |
Analisi della varianza
Fonte | DF | Somma dei quadrati | Quadrato medio | Rapporto F |
Modello | 2 | 3.34890 | 1.67445 | 1.8972 |
Errore | 779 | 687.54205 | 0,88260 | Problema > F |
C. Totale | 781 | 690.89095 | | 0,1507 |
Stime dei parametri
Termine | Stima | Errore standard | Rapporto t | Problema>|t| |
Intercettare | 0,0484165 | 0,097423 | 0,50 | 0,6193 |
anno fiscale[1] | -0,084323 | 0,078483 | -1.07 | 0,2830 |
logexpos2[1sì] | 0,1389546 | 0,091878 | 1.51 | 0,1308 |
-
GLM - eventi/prove - binomio - logit
Test del modello intero
Modello | -Probabilità del registro | LR ChiSquare | DF | Pro>ChiSq |
Differenza | 247.258921 | 494.5178 | 2 | <.0001* |
Pieno | 9444.02167 | | | |
Ridotto | 9691.28059 | | | |
Statistica della bontà dell'adattamento | ChiSquare | DF | Pro>ChiSq |
Pearson | 14001.87 | 779 | <.0001* |
Devianza | 18426.55 | 779 | <.0001* |
Test sugli effetti
Fonte | DF | LR ChiSquare | Pro>ChiSq | |
anno fiscale | 1 | 62.133979 | <.0001* | |
logexpos2 | 1 | 413.68264 | <.0001* | |
Stime dei parametri
Termine | Stima | Errore standard | LR ChiSquare | Pro>ChiSq | CL inferiore | CL superiore |
Intercettare | 0,291917 | 0,0233196 | 162.24916 | <.0001* | 0,2463549 | 0,3377743 |
anno fiscale[1] | -0,137987 | 0,0175207 | 62.133979 | <.0001* | -0,172342 | -0,103659 |
logexpos2[1sì] | 0,4319415 | 0,0217689 | 413.68264 | <.0001* | 0,3894144 | 0,4747556 |
-
Grazie per qualsiasi contributo
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @winfriedkoch0 ,
Credo che la piattaforma GLMM sarà disponibile in JMP PRO 17.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoIn una risposta precedente hai menzionato che l'opzione di strutture di covarianza aggiuntive sarà disponibile nel prossimo JMP 17. Questo messaggio è vero solo per JMP 17 o JMP 17 Pro?
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @kandonov ,
Grazie per la domanda Se hai più variabili dipendenti, ad esempio {y1, y2, y3}, specificarle tutte nella casella Y purtroppo non funzionerebbe. Per questa aggiunta, l'unico caso in cui attualmente inserire più variabili nella casella Y è il nostro esempio 5, che mostra il caso binomiale in cui si utilizza una seconda variabile per specificare n.
Tuttavia, ci sono alcune soluzioni alternative che ti suggerirei di provare.
Innanzitutto, potresti impilare i dati (impilare y1, y2, y3 in una variabile y) ed eseguire il componente aggiuntivo corrente o "Adatta modello" con personalità "Modello misto", creando una nuova variabile per indicare la variabile multivariata (ad esempio , i valori di questa variabile potrebbero essere i nomi delle variabili "y1", "y2", "y3" per suggerire a quale variabile corrisponde il valore y) e specificarlo come effetto fisso insieme a tutti gli altri e forse anche alcune interazioni con Esso.Quindi specifica "oggetto" come effetto casuale: questo creerebbe una struttura cov di simmetria composta, che non è completamente multivariata ma un'approssimazione più semplice ad essa.
In secondo luogo, io Se i dati sono Poisson o Binomiali può anche funzionare centrarli e ridimensionarli e utilizzare un'approssimazione normale con un modello misto lineare. Consulta gli esempi di "Adatta modello" con personalità "Modello misto".
Per favore fatemi sapere se avete altre domande! Sono sempre raggiungibile al Meichen.Dong@jmp.com .
Migliore,
Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCaro Meichen,
Grazie per questo fantastico componente aggiuntivo!
Tuttavia, ho una domanda. È possibile eseguire un GLMM multivariato utilizzando questo componente aggiuntivo? Forse se aggiungo alcune variabili dipendenti nella casella "Y" funzionerà, non è vero?
Saluti,
K/
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @MANCOVAChicken1 , Grazie per le tue domande!
Per la domanda 1, idealmente se il modello si adatta bene ai dati, la convergenza (1e-8) potrebbe essere raggiunta prima della trentesima iterazione. Tuttavia, se la convergenza non viene raggiunta dopo la trentesima iterazione, è possibile aumentare il numero di iterazioni o allentare i criteri di convergenza (ad esempio, modificarlo in 1e-7) per vedere se è possibile raggiungere la convergenza. Nel tuo caso, 30 iterazioni sembrano non essere sufficienti, quindi aumentare il numero di iterazioni è la strada corretta da percorrere. Ti suggerisco di aumentare questo numero a valori più grandi come 200 per vedere se i risultati cambiano, rispetto a quando lo imposti su 100. Poiché se si raggiunge la convergenza, aumentando ulteriormente il numero di iterazioni si otterrà lo stesso risultato.
Per la domanda 2, se si sceglie la distribuzione Gamma, viene utilizzato il collegamento canonico "reciproco" o "inverso". Pertanto, se si desidera derivare le medie LS sulla scala dei dati originali, è necessaria la trasformazione. Ciò significa che il valore atteso E(Y_i) = mu_i è modellato come: 1/(mu_i) = b0+b1*x_1i + ...
Per derivare mu_i, dovrai prendere il reciproco dei valori previsti: 1/(b0+b1*x_1i + ... ).
Per favore fatemi sapere se avete ulteriori domande! Posso sempre essere raggiunto a Meichen.Dong@jmp.com
Migliore,
Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao Meichen,
Sono nuovo nell'utilizzo del componente aggiuntivo GLMM. Le mie domande sono:
1. Esiste un numero massimo "corretto" di iterazioni che può essere specificato per un particolare modello o si tratta di un approccio per tentativi ed errori? Ho provato a eseguire lo stesso modello con il numero massimo predefinito (30) e poi con 100 iterazioni e questo ha prodotto risultati drasticamente diversi. A 30 iterazioni, R2 era vicino allo zero e nessuna delle variabili aveva valori p significativi (sezione del test degli effetti); a 100 iterazioni - il modello R2 era 0,7 e una variabile esplicativa di interesse era significativa ad alfa 0,5.
2. Quando scelgo una distribuzione gamma, le medie LS e tutte le stime sembrano essere su una sorta di scala trasformata e non sulla scala dei dati originali. Devo ritrasformare le medie LS e quale trasformazione dovrei usare?
Grazie!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @AvgBrontosauro ,
Ciò potrebbe essere correlato al parametro " Per limite di report del gruppo ” – ad esempio, se la variabile BY ha 20 livelli e vuoi vedere tutti i dettagli del modello, puoi impostare questo valore su 21 o superiore . Questo parametro è progettato per evitare di produrre un numero eccessivo di risultati: diciamo che quando hai 10k livelli, probabilmente non vorrai guardare i risultati uno per uno.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoEhi Meichen, ho provato uno degli esempi e sto avendo il
stesso problema. Dopo aver premuto Esegui, le uniche due finestre che appaiono sono quella
foglio di calcolo con tutti i valori della tabella ANOVA, gli LSM e il grafico
costruttore. Quando non includo un fattore "per" viene visualizzato il rapporto completo
automaticamente.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao @AvgBrontosauro , grazie per la tua domanda! Intendevi dire che il report GLMM non è stato visualizzato dopo aver specificato i parametri e le variabili? Potresti eseguire con successo alcuni degli esempi che abbiamo fornito? Desideri condividere maggiori dettagli? Non esitate a inviare ulteriori domande alla mia email: Meichen.Dong@jmp.com !
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao Meichen,
Ho difficoltà a trovare il report per GLMM quando lo eseguo in base a un fattore di sottoraggruppamento. Ottengo il generatore di grafici e la tabella ANOVA, ma desidero eseguire analisi post-hoc. In genere li eseguo nel report finale che viene creato automaticamente, c'è un modo per richiamare quel report? O in alternativa, eseguire analisi post-hoc in un altro modo?
Grazie!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @Ning214 , Mi chiedo quali siano i nomi delle tue variabili. Sarebbe fantastico se potessi fornire maggiori dettagli o inviarmi un esempio di giocattolo. Inoltre, non esitate a inviare i vostri dettagli via e-mail a Meichen.Dong@jmp.com
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao,
Tutti i campioni di dati funzionano senza problemi nel mio jmp pro 15. Tuttavia, quando eseguo i dati di conteggio (distribuzione di Poisson), ecco cosa riscontro:
Spero nel vostro aiuto.
Grazie mille.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @smartxalex Alex, hai detto che la tua variabile di risultato è continua, quindi come hai specificato i parametri nel componente aggiuntivo? Nello specifico, quali "Distribuzione" e "Link" sono stati specificati? Se il risultato segue una distribuzione normale, puoi provare il modello MISTO in JMP. Non esitate a inviarmi un'e-mail per ulteriori dettagli/esempi di giocattoli della vostra domanda! La mia email è: Meichen.Dong@jmp.com
Migliore,
Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoBuonasera,
Speravo che qualcuno potesse aiutarmi con un problema.Non riesco a far funzionare questo componente aggiuntivo per la mia vita.Posso farlo funzionare per i dati di esempio forniti sopra; tuttavia, ho alcuni dati molto semplici che vorrei modellare.Ho una variabile dipendente continua; una variabile indipendente continua e una variabile binaria.Voglio testare l'effetto che la variabile binaria ha sulla variabile dipendente continua ma continuo a ricevere un messaggio di errore che indica:
"tutte le righe contengono dati esclusi o mancanti.La colonna con il maggior numero di dati mancanti è (variabile binaria)"; tuttavia, non ci sono dati mancanti.In tutte le righe sono stati inseriti dati.
Facendo clic su "Okay", ricevo un altro messaggio di errore che indica:
"Impossibile trovare la colonna nell'accesso o nella valutazione di 'Colonna', Colonna/*###*/("Cond Pred Formula _pseudo")".
Quando si guarda la tabella generata, sia "_eta" che "_pseudo" hanno valori vuoti.
Attualmente utilizzo JMP 15. Qualsiasi aiuto sarebbe molto apprezzato poiché vorrei fare affidamento esclusivamente su JMP per i miei risultati piuttosto che dover andare avanti e indietro tra diversi software per soddisfare le mie esigenze.Grazie in anticipo!
Distinti saluti,
Alex
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @MagaSganga , ho appena risolto il problema che hai menzionato e per favore prova il componente aggiuntivo aggiornato! Grazie per il tuo feedback!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @smmarsh2 , grazie per la domanda! Attualmente in questo componente aggiuntivo non forniamo le opzioni per le matrici di covarianza. Tuttavia, avremo una nuova piattaforma JMP GLMM in JMP 17 (la nuova versione). La nuova piattaforma inizialmente è costituita solo da matrici di covarianza G-side, che in JMP significa componenti di varianza e modelli di coefficienti casuali (con covarianze). Le strutture di covarianza del lato R per misure ripetute e/o dati spaziali sono in programma per un rilascio futuro.
Per favore fatemi sapere se avete domande.
Migliore,
Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoSto iniziando a imparare GLIMMIX. Tuttavia il mio mentore lo usa spesso in SAS (non JMP). Il suo commento per il plug-in è:
Osservando i loro esempi hanno sempre utilizzato i Componenti della varianza come matrice di covarianza. Quella matrice per me non ha mai dato l'AICC più basso. Si spera che ci sia un modo per cambiare la matrice utilizzata.
Esistono altre opzioni per le matrici di covarianza?
Grazie!
Stefania
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @MagaSganga ,
Hai provato con i nostri dati di esempio e hai visto se funziona sul tuo computer con la versione attuale di JMP?
Una cosa che suggerirei di provare è impostare la variabile "By" come tipo di modellazione carattere e nominale. Se hai ancora problemi con l'esecuzione di questa operazione, non esitare a inviarci maggiori dettagli o dati di esempio del giocattolo.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @MeichenDong . Sto utilizzando il tuo componente aggiuntivo e ho un problema con By. Non riesco a farlo funzionare. Quando seleziono una colonna e la inserisco in By, genera questo errore:
Glimmix ha 13 parametri (risposta, effetti_fissi, effetti_casuali, distribuzione, collegamento, maxiter = 50, convergenza = 0.00000001, offset = 0, cf = 0.5, peso = 1, expon = 1, numder = 0.00001, ynom_reference) ma è stato indicato 10 argomento ("PL MIN", "Posicion unificada", "ID, Contrario", "Poisson", "", 30, 0.00000001, "", 0.5, "").
quando si accede o si valuta 'Funzione' , Funzione(
{risposta, effetti_fissi, effetti_casuali, distribuzione, collegamento, maxiter = 50,
convergere = 0.00000001, offset = 0, cf = 0.5, peso = 1, esponente = 1, numero =
0.00001, riferimento_annom},
{iter, rmse, prev, curr, err, dt},
dt = Tabella dati corrente();
e il testo continua. La colonna Cat che ho inserito in By è numerica e ordinale. Il programma funziona quando ho lasciato questo campo vuoto.
Ho scaricato e installato questo componente aggiuntivo 5 giorni fa, quindi penso di avere l'ultima versione.
Grazie.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @YAMag , grazie per la domanda! Mi chiedo se hai provato a scaricare i dati di esempio e vedere se il componente aggiuntivo funziona?Potresti verificare se i tipi di modellazione delle variabili sono impostati correttamente? Se i passaggi precedenti non aiutano, non esitare a inviare un'e-mail con il tuo esempio di giocattolo/domande dettagliate a Meichen.Dong@jmp.com .
Migliore,
Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao, questo è proprio quello che stavo cercando e sembra utile.
Vorrei farvi una domanda perché non sono sicuro di come eseguire l'analisi.
Vorrei fare un GLMM per cercare fattori correlati a un risultato che è una variabile binaria. Così facendo, i miei dati vengono annidati negli individui perché sono stati raccolti più volte dallo stesso soggetto.
Ho aggiunto il risultato (variabile binaria, nome) a Y, il fattore esplorativo all'effetto fisso e l'ID (per identificare il soggetto) all'effetto casuale; Non ho aggiunto nulla a Peso, Offset o Per. Tuttavia, non sono riuscito ad analizzarlo bene perché ho ricevuto un messaggio di errore di Columm/*##*/(*Cond Pred Fomula_pseudo*). Spero che possiate darmi qualche buon consiglio.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @juacco123 , la mia email è Meichen.Dong@jmp.com . Non esitate a inviare domande dettagliate o set di dati sui giocattoli!
-Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao Meichen, grazie per la rapida risposta.
Sto usando JMP 15, ho provato il tuo suggerimento su un PC (mettendo la variabile prima delle variabili del modello) e ancora non funziona.
Come posso condividere con te il mio set di dati?
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @juacco123 , hai provato a selezionare tutte le variabili di interesse prima di cliccare sulla croce? Questo funziona dalla mia parte. Stai utilizzando un computer Mac o Windows? Che versione di JMP stai utilizzando?
Posso anche dare un'occhiata più da vicino se hai un set di dati sui giocattoli.
-Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoHo appena scaricato il componente aggiuntivo e sto cercando di incrociare le variabili per i miei effetti fissi e casuali. Tuttavia, quando seleziono le variabili e clicco su "croce", non succede nulla.
Potresti aiutarmi?
Grazie
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @Sandeep123 , ho appena aggiornato il componente aggiuntivo, consulta la nuova parte "Esempio 2.1" aggiunta. Ciò dovrebbe consentire di lavorare con il risultato nominale senza ricodificare manualmente il risultato in formato numerico. Per favore fammi sapere se hai domande! Grazie per il tuo feedback!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @Sandeep123 , questa è una bella domanda! Per la versione attuale, possiamo "ricodificare" la variabile di risultato ed eseguire l'analisi (vedere le figure seguenti). Aggiorneremo presto il componente aggiuntivo per consentire il risultato nominale.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoSono interessato alla variabile di esito nominale (mortalità sì/no). Ho dati da più siti. Volevo includere i siti come variabile casuale nel modello
jmp non consentirà effetti casuali, quindi sto cercando opzioni
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @Sandeep123 , l'esempio 2 e l'esempio 6 riguardano la variabile binaria y. La funzione di collegamento predefinita è logit. Potrebbe essere qualcosa che stai cercando?
Ri: Componente aggiuntivo del modello misto lineare generalizzatoC'è un modo per eseguirlo per la variabile categoriale y (regressione logistica)
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao I_yampolsky,
Potrebbe essere che tu sia nella versione 10. Sì, sicuramente funziona in 15.
Grazie!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoÈ forse specifico della versione? Sono ancora alla ver. 10 ma ho accesso a 14 o 15 altrove, funzionerà su 14 o 15?
Ri: Componente aggiuntivo del modello misto lineare generalizzatoQuesto è fantastico, esattamente quello che stavo cercando, in particolare con la soluzione degli effetti nidificati.
Tuttavia ho problemi a eseguirlo. Le opzioni necessarie Distribuzione e Collegamento sono disattivate e non è possibile fare clic per effettuare una selezione.
Che cosa sto facendo di sbagliato?
Grazie!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @CraigSargent , quando Year è un effetto casuale e Trial è nidificato all'interno di Year, potremmo anche fare la cosa simile. Potresti provare a testare i seguenti due modelli:
Modello 1: Y = Effetti fissi + Anno + Prova[Anno]
Modello 2: Y = FixedEffects + Year + new_variable
dove "nuova_variabile" rappresenta gli ID univoci per ogni anno e prova.
Ad esempio, se abbiamo Anno = 2018, 2019 e per ogni anno e abbiamo Livelli di prova = A, B, C, D. Quindi i dati potrebbero apparire come:
Anno di prova nuova_variabile
2018A2018_A
2018B2018_B
2018C2018_C
2018D2018_D
2019A2019_A
2019B2019_B
2019C2019_C
2019D2019_D
Il Modello 1 e il Modello 2 dovrebbero darci lo stesso risultato. Pertanto, utilizzando il Modello 2, non è più necessario specificare effetti "nidificati".
Per favore fatemi sapere se quanto sopra non è abbastanza chiaro, sarei felice di fornire più esempi.
-Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoGrazie per aver chiarito come ottenere il componente aggiuntivo.
Grazie anche per la soluzione alternativa agli effetti nidificati.
I casi in cui utilizzo gli effetti nidificati sono in progetti come trame divise o progetti a lungo termine che comportano prove sperimentali nel corso degli anni; Ad esempio, Anno è un effetto casuale e Prova nidificata all'interno di Anno è un effetto casuale.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @CraigSargent , nella parte superiore di questa pagina Web, puoi vedere i nostri file sorgente. Salvare il file "Generalized Linear Mixed Model.jmpaddin" nell'unità/cartella locale, ad esempio Desktop. Quindi, dallo spazio virtuale JMP, scegliere > File > Apri > Desktop > Modello misto lineare generalizzato.jmpaddin.
Per la domanda sugli effetti nidificati, @sbrlsi in realtà ha suggerito che è semplice evitare di usarlo. Dobbiamo solo creare una colonna con ID univoci all'interno di ciascun livello della variabile di nidificazione.
Vediamo un semplice esempio qui: https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/two-factor-nested-random-effects-model.shtml .
È possibile accedere ai dati di esempio "2 Factors Nested.jmp" scegliendo Aiuto > Dati campione > Sistemi di misurazione > 2 Factors Nested.jmp. I dati appaiono così:
Puoi vedere che "Parte" è nidificata in "Operatore" e "Parte" ha un ID univoco all'interno di ogni livello di "Operatore".
Potresti adattare due modelli come il seguente, utilizzando Part[operator] o Part, e i risultati saranno gli stessi.
Per favore fatemi sapere se avete domande a riguardo!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoGrazie. Dove trovo il file del componente aggiuntivo per salvarlo sull'unità locale?
Per quanto riguarda gli effetti nidificati, spero che aggiungerai presto questa funzionalità. La maggior parte dei progetti sperimentali nella mia ricerca coinvolgono effetti nidificati. Continuerò a utilizzare GLIMMIX in SAS per questo, finché non aggiungerai effetti nidificati adatti al tuo componente aggiuntivo JMP.
Grazie per aver affrontato i GLMM in JMP. E' una cosa che chiedo da anni.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @CraigSargent ,
Per la tua prima domanda, quando usi JMP su un laboratorio/den virtuale, a patto di aver prima salvato il file aggiuntivo sull'unità locale, dovresti essere in grado di installarlo anche virtualmente! L'ho appena provato utilizzando il laboratorio virtuale della mia scuola e funziona bene. Quindi, per favore fatemi sapere se voi o i vostri studenti riscontrate qualche problema!
Per la seconda domanda, la nostra attuale versione aggiuntiva non consente ancora di adattare gli effetti nidificati. Potremmo aggiungere quella funzione più tardi!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoÈ possibile annidare effetti fissi o casuali? Ciò non è chiaro dalla parte del modello costruttivo dell'interfaccia mostrata nei video.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoQuando dici che dobbiamo installare questo componente aggiuntivo, come funziona? La mia università dispone di una licenza per sito per JMP e possiamo scaricarne una copia sul nostro computer principale o utilizzarla in quello che chiamiamo Virtual Den tramite un ambiente Citrix. Quando i miei studenti utilizzano JMP in classe sui loro laptop, lo utilizzano principalmente nel Virtual Den. In tal caso, avremmo bisogno che i nostri amministratori di rete includano il componente aggiuntivo? Grazie.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao Meichen
Grazie mille. Funziona alla grande! Spero che non ci sia stato troppo lavoro extra da risolvere.
Peter
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @PDunn , ho aggiornato il file del componente aggiuntivo qui. Potresti scaricarlo di nuovo e provarlo adesso? Penso che questa correzione dovrebbe risolvere il problema. Per favore fatemi sapere se avete altre domande! -Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatociao Peter @PDunn , sì, la trama del vulcano è una bella figura riassuntiva e MixedModel non la genera direttamente. Aggiornerà se il problema viene risolto! JMP Genomics ha un buon flusso di lavoro di analisi RNA-seq e puoi verificarlo se sei interessato. -Meichen
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO
Grazie per avermi risposto di nuovo. Sì, ho provato a reinstallarlo e ho riscontrato ancora lo stesso errore. L'ho provato anche su JMP 14 su un Mac. Prima usavo Win10. Ancora lo stesso problema. Ma dopo averci pensato di più e aver osservato l'output (il file online GLMM result.jmp), penso di poterlo ancora utilizzare senza l'opzione "By". Per esaminare molti geni contemporaneamente, in realtà desidero i risultati di significatività per gene che non ottengo con il comando "by". D'altra parte, probabilmente avrai bisogno del comando “by” per ottenere i grafici del vulcano. Almeno per le variabili di risposta distribuite normalmente, posso continuare a utilizzare MixedModel. Sarebbe bello che tutto questo funzionasse comunque. Mi chiedo se lo abbiano in esecuzione nel pacchetto JMP Genomics (non l'ho mai guardato).
Grazie ancora per il tuo aiuto e buon proseguimento di estate. Peter
Ri: Componente aggiuntivo del modello misto lineare generalizzatociao Peter @PDunn , grazie per averlo provato! (hai provato a non "annullarlo" e reinstallarlo direttamente?) C'è sicuramente qualcosa che deve essere risolto! La funzione "Per" è stata aggiunta di recente e potrebbe richiedere più debug. Stavo utilizzando JMP 15.2 mentre scrivevo il componente aggiuntivo ma non credo che la versione sia importante. Questo è in realtà il mio progetto di tirocinio estivo e potrebbe volerci un po' per correggere il bug e aggiornarlo poiché al momento ho un accesso limitato a JMP. Ti terrò aggiornato appena avrò una soluzione!
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO
Grazie per avermi risposto. Ho semplicemente "annullato la registrazione" del componente aggiuntivo, quindi l'ho reinstallato. Quindi ho provato di nuovo l'aggiunta sul file "varPartDEdata_stack10". Il componente aggiuntivo non ha funzionato anche dopo aver rinominato la variabile "by" in Gene1 (originariamente Gene) o dopo averla copiata in una nuova colonna e rinominata. Ho anche provato a riavviare il programma (JMP 16EA) e il problema persisteva.
Quindi non sono sicuro di cosa potrebbe essere sbagliato. L'errore dice: Nome non risolto: Gene1 alla riga1 nell'accesso o nella valutazione di 'Gene1', Gene1/*###*/
Se tralascio la variabile "by" (Gene1), verrà comunque eseguita, ma è ovviamente utile sapere quali geni sono significativi qui.
Grazie, Pietro
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO @PDunn , vedo il tuo problema e sì, a volte mi è successo e sto cercando di risolverlo. Con la versione attuale, puoi provare a reinstallare il componente aggiuntivo e vedere se l'esempio RNA-seq funziona? A volte funziona anche la ridenominazione della variabile "by" nel datatable.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCIAO
Sì, sembra molto utile.Ho provato l'esempio della nave e funziona, ma l'ultimo esempio con i dati RNA-seq mi dà un errore criptico, e mi dà anche un errore in qualche modo simile con i miei dati RNA-seq.Con il set di dati varPartDEdata_stack10.jmp, ho seguito le indicazioni (e il video di YouTube) con Y=logexprs, By = Gene, distribuzione normale, effetti fissi di Sex and DiseaseSubtype ed effetto casuale di Individual.Premo Esegui e viene visualizzato un errore: Nome non risolto: Gene alla riga 1 nell'accesso o nella valutazione di "Gene", Gene/*###*/.
Eventuali suggerimenti?
Grazie, Pietro
Ri: Componente aggiuntivo del modello misto lineare generalizzatoQuesto componente aggiuntivo sarà di grande valore per gli utenti JMP.
Ri: Componente aggiuntivo del modello misto lineare generalizzatoCiao @Shiz , Non esitate a contattarci a support@jmp.com e posso provare ad aiutarti a risolvere il problema (per favore menziona che ci hai contattato qui e condividi il link al post della community). Sebbene noi (JMP) non avanziamo alcuna affermazione sulla robustezza (rispetto a diverse strutture dati) né possiamo impegnarci a mantenere o aggiornare il codice utilizzato (poiché si tratta di un componente aggiuntivo), sono comunque d'accordo che sia abbastanza utile!
Tieni presente che in JMP 18 Pro (con una data di rilascio prevista nel primo trimestre del 2024), supporteremo Normale, Esponenziale, Lognormale, Beta e Binomiale negativo in GLMM (oltre a Binomiale e Poisson attualmente supportati in 17 Pro).
Saluti @PatrickGiuliano (Supporto tecnico JMP)
