Complément de modèle mixte linéaire généraliséCe complément vous permet d'exécuter le modèle mixte linéaire généralisé dans JMP. Les paramètres par défaut sont pour l'essentiel les mêmes que ceux de la macro SAS %GLIMMIX, qui utilise des probabilités repondérées de manière itérative pour s'adapter au modèle (Wolfinger & O'connell, 1993).
Le Panneau Sélectionner des colonnes affiche toutes les variables de l'ensemble de données actuel.
Le Panneau Choisir des variables de rôle permet de préciser :
- Y : la variable de réponse.
- Poids : une variable de pondération pour l'analyse.
- Décalage : la variable de décalage. La valeur par défaut est aucun décalage.
- By : la variable by vous permet d'ajuster simultanément des modèles pour des sous-groupes.
Le Construire des effets de modèle le panneau comprend :
- Effets fixes
- Effets aléatoires
Le Panneau d'options comprend :
- Distribution : la distribution des variables de réponse. La valeur par défaut est Binôme.
- Lien : la fonction de lien à utiliser pour transformer la variable réponse en pseudo scores avant d'utiliser le modèle mixte. Les fonctions de lien canonique sont fournies.
- Itération maximale : le nombre maximum d'itérations pour que l'algorithme converge. La valeur par défaut est 30.
- Critère de convergence : si le RMSE est inférieur à la valeur du critère de convergence, alors l'itération s'arrêtera. La valeur par défaut est 1E-8.
- Facteur de correction : une constante ajoutée à la variable réponse lors de l'étape de transformation initiale afin d'éviter les singularités. La valeur par défaut est 0,5.
- Par limite de rapport de groupe : lors de la spécification d'une variable By, si le nombre de sous-groupes est supérieur à ce nombre limite, la sortie du rapport sera supprimée. Au lieu de cela, un tableau récapitulatif et une interface Graph Builder seront fournis.
Nous illustrerons les détails du complément à l'aide d'exemples disponibles en ligne (site Web des résultats des macros %GLIMMIX : https://support.sas.com/techsup/notes/v8/25/030.html ou le site PROC GLIMMIX : https://go.documentation.sas.com/?docsetId=statug&docsetVersion=15.1&docsetTarget=statug_glimmix_examples.htm&locale=fr ). Pour obtenir des résultats comparatifs à l'aide de la macro SAS, définissez l'option 'DDFM=KR' dans l'instruction MODEL, ainsi que l'option 'NOBOUND' dans l'instruction PROC MIXED.
Des vidéos de démonstration sont également disponibles en ligne :
Exemple 6 - Format long des données Salamandre : https://youtu.be/6gCqufudFV4
Exemple 7 -- Données de séquençage d'ARN : https://youtu.be/o4LeTmVzzVE
Exemple 1 – Distribution de Poisson (ship_demo.jmp) :
Ce qui suit est un aperçu des données du navire (provenant de McCullagh et Nelder (1989), section 6.3.).
La variable de réponse est « N », qui suit la distribution de Poisson. L'effet fixe dans le modèle mixte linéaire généralisé est le « type » ; et les effets aléatoires sont « année, période, année*période ». La variable de décalage est « service ».
La fonction de lien par défaut pour la distribution de Poisson est le lien « log ». Notez que si nous souhaitons utiliser les liens canoniques (par défaut) pour une distribution sélectionnée, nous pouvons simplement laisser la zone de lien vide.
Des termes d'interaction peuvent être ajoutés en sélectionnant deux variables ou plus et en cliquant sur le bouton « croix » dans le panneau Effets fixes ou Effets aléatoires.
Cliquez sur le bouton « Exécuter » après avoir spécifié tous les paramètres du modèle. Après 28 itérations, l’algorithme a convergé. Le résultat est au format Mixed Model dans JMP. Notez que lors de la comparaison avec les résultats de la macro %GLIMMIX SAS, en raison de la différence dans le codage de la matrice de conception, nous suggérons de comparer les résultats du test F, les moyennes LS ou les estimations des composantes de variance au lieu des estimations des paramètres à effets fixes.
Exemple 2 – Distribution binaire (sal1.jmp) :
Ce qui suit est un aperçu des données de Salamander (provenant de McCullagh et Nelder (1989), section 14.5). Notez qu'avant d'exécuter l'analyse, définissez le type de modélisation approprié pour les variables d'intérêt. Dans l'exemple ci-dessous, les variables « fnum, mnum » sont des nombres continus. Mais si nous voulons les utiliser comme variables catégorielles, nous pouvons cliquer avec le bouton droit sur le nom de la variable > informations de la colonne, puis changer le type de modélisation en nominal.
Modèle Spécification: Variable de réponse : ybin. Distribution : Binôme. Fonction de lien : logit.
Effet fixe : fpop, mpop, fpop*mpop. Effet aléatoire : fpop*fnum, mpop*mnum.
L'algorithme converge après 10 itérations.
Exemple 2.1 Distribution binaire (sal1_ynominal.jmp) :
Si le résultat est caractéristique/nominale , par exemple « ybin_char » dans les données suivantes (les niveaux sont Y et N), nous proposons l'option « Niveau de référence pour le résultat nominal (Y) » . Vous pouvez spécifier le niveau de référence, par exemple « N » par défaut. Autre exemple : le résultat Y a des niveaux ' Haut ' et ' Faible ', et vous pouvez spécifier ' Faible ' dans la case Niveau de référence pour le résultat nominal (Y).
Exemple 3 – Distribution binomiale (blotch.jmp)
La source de données: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex04.htm&docsetVersion=15.1&locale=en
La variable de réponse « prop » indique le incidence . « site » et « variété » sont les deux effets fixes. Nous sélectionnons la distribution « Binomiale » et la fonction de lien par défaut est « Logit ». (Nous ne spécifions aucun effet aléatoire dans cet exemple.)
Les LSmoyennes de « variété » et « site » sont cohérentes avec celles de la macro %GLIMMIX et PROC GLIMMIX. Cependant, les résultats du test F ont montré des divergences.
Exemple 4 – Distribution binomiale (rcb_binomial.jmp)
Après 6 itérations, nous obtenons le résultat suivant. Ce résultat est cohérent avec le résultat généré par la macro %GLIMMIX, mais légèrement différent du résultat de PROC GLIMMIX.
Pour dériver le « prédit » événements/essais " ou " succès/essais totaux " taux, effectuez la transformation :
où l'estimation de
est la colonne « _pred » de notre tableau de données. Cela peut être fait en ajoutant manuellement une colonne dans le tableau de données et en y définissant une formule.
Plus précisément, après avoir exécuté le complément GLMM, votre ensemble de données ressemble à ci-dessous.
Nous pouvons créer une nouvelle colonne et y définir une formule :
Ensuite, nous pourrions éventuellement dériver la nouvelle variable Predicted_rate comme indiqué ci-dessous :
Exemple 5 – Distribution binomiale (hessianfly.jmp)
La source de données: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex01.htm&docsetVersion=15.1&locale=en
La réponse est « o/n », qui est de la forme « événements/essais " ou " succès/essais totaux ». Lors de la spécification des variables de réponse Y, nous devons d'abord sélectionner la variable « événements », dans ce cas « y », puis sélectionner ensuite la variable « essais ». Par conséquent, « n » est sélectionné après « y ». Définissez « entrée » comme effet fixe et « bloc » comme effet aléatoire. Choisissez la distribution « Binomiale » et utilisez la fonction de lien « Logit » par défaut.
Après 6 itérations, nous obtenons les résultats comme suit :
Les résultats des exemples ci-dessus peuvent être vérifiés par la macro SAS PROC GLIMMIX et la macro %GLIMMIX. Le code SAS_Example_macro_proc_verification.sas est disponible sur demande .
Exemple 6 – Distribution binaire (sal1_long.jmp) :
Lorsque les données sont constituées de sous-ensembles et que vous souhaitez modéliser chaque groupe/sous-ensemble indépendamment, vous pouvez spécifier la variable indicatrice de groupe/sous-ensemble dans le champ « Par ».
Dans cet exemple, sal1_long.jmp est la version empilée des données Salamander (à l'origine de McCullagh et Nelder (1989), section 14.5). Ici, les variables de réponse « y1, y2, y3 » sont empilées dans la variable « ystack ». La variable « ycat » indique la catégorie de réponse d'origine.
Ici, spécifiez « ystack » comme variable de réponse et « ycat » comme variable By. Semblable aux paramètres de l'exemple 2, nous pouvons spécifier la distribution, l'effet fixe, l'effet aléatoire.
La procédure GLMM sera effectuée pour chaque groupe/sous-ensemble spécifié dans le champ Par. Le rapport final est le suivant. Les résultats sont répertoriés pour chaque groupe/sous-ensemble : réponse y1_pseudo, réponse y2_pseudo et réponse y3_pseudo.
Exemple 7 – Données de séquençage d'ARN
Étant donné que les données génomiques sont généralement de grande dimension, où le nombre de gènes/SNP est généralement supérieur à 10 000, la réalisation de l’analyse intégrée pourrait s’avérer difficile en termes de calcul. Pour l'intérêt futur de l'utilisation de ce complément pour analyser les données de séquençage d'ARN, nous testons les performances en augmentant le nombre de gènes spécifiés dans le champ Par. Cette section fera partie du test de résistance, car la fonction By n'est pas écrite en multi-thread.
Les exemples de données utilisés ici sont publics en ligne, à partir du package (Hoffman & Roussos, 2020) : https://bioconductor.org/packages/release/bioc/vignettes/variancePartition/inst/doc/dream.html
- varPartDEdata_count.jmp est la matrice de comptage originale
- varPartDEdata_metadata.jmp sont les métadonnées des 24 échantillons
- varPartDEdata_stack10.jmp sont les données traitées, où l'expression des gènes des 10 premiers gènes est empilée, ainsi que d'autres variables de métadonnées.
- varPartDEdata_stack100.jmp sont les données traitées, où l'expression des gènes des 100 premiers gènes est empilée, ainsi que d'autres variables de métadonnées.
À partir de l'exemple en ligne, pour chaque gène, nous pouvons ajuster le modèle comme suit :
Y ~ Sous-type de maladie + Sexe + (1 | Individu)
, où « DiseaseSubtype » et « Sex » sont des effets fixes et « Individu » est l'effet aléatoire. Ici la variable de réponse Y
dépendra du choix de la distribution. Un choix de distribution est la distribution « Poisson », et dans ce cas, nous utilisons « l’expression » du nombre brut comme variable de réponse. Une autre façon de modéliser les données RNA-seq consiste à prendre d'abord la transformation logarithmique des comptes et à utiliser « logexprs » comme variable de réponse tout en spécifiant la distribution « Normale ».
Utilisation des données d'exemple varPartDEdata_stack10.jmp , nous pouvons dériver les résultats pour chacun des dix gènes séparément :
En utilisant « logexprs » comme variable de réponse, les résultats de Analyse > Ajuster le modèle > Modèle mixte et de notre complément GLMM sont les mêmes. Lorsque vous utilisez « l’expression » de décomptes bruts comme réponse et spécifiez la distribution « Poisson », le temps d’exécution est plus long. Si le nombre maximum d'itérations est atteint, cela peut impliquer que la fonction de distribution ou de lien sélectionnée ne correspond pas bien aux données.
Nombre de sous-groupes (gènes) dans Par variable
|
Temps d'exécution de Poisson (HH:MM:SS)
|
Durée d'exécution normale (HH:MM:SS)
|
Modèle mixte utilisant l'exécution du journal (compte) (HH:MM:SS)
|
dix
|
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
|
|
……
|
|
|
|
Lorsque le nombre de gènes/sous-groupes spécifié dans le champ Par est supérieur à la limite de rapport par groupe = 10 , par exemple en utilisant varPartDEdata_stack100.jmp , nous n'afficherons plus le rapport. Au lieu de cela, un tableau JMP « résultat GLMM » ainsi qu'un tracé du volcan seront fournis. Le tableau « Résultat GLMM » comprend une partie des résultats du test F (DFDen_, F Ratio_, Prob > F_), les moyennes des moindres carrés (LSMeans 
, ainsi qu'une partie des estimations de paramètres (Estimate :, -log10(Prob >|t|) .
En spécifiant « logexprs » comme Y et en spécifiant la distribution « Normale », nous pouvons dériver l'ensemble de données ci-dessous. (Disponible en Résultat GLMM.jmp )
Le tracé du volcan par défaut est généré pour le premier effet fixe spécifié. Vous pouvez changer de colonne pour consulter le tracé du volcan pour d'autres variables d'intérêt.
(100 gènes, expressions log)
(10 000 gènes, expressions log)
(10000 gènes, expression, Poisson)
Les références
Hoffman, GE, & Roussos, P. (2020). dream : analyse d'expression différentielle puissante pour les conceptions de mesures répétées. BioRxiv, 432567 .
Wolfinger, R., & O'connell, M. (1993). Modèles mixtes linéaires généralisés : une approche de pseudo-vraisemblance. Journal de calcul statistique et simulation , 48(3-4), 233-243.
Ce complément vous permet d'exécuter le modèle mixte linéaire généralisé dans JMP.
Développement d'applications analytiquesSciences de la vieStatistiquesRe : Complément de modèle mixte linéaire généralisé@MeichenDong C'est un excellent plugin!
J'ai 17PRO, mais il n'autorise que le binôme ou le poisson, donc votre plug-ing comble une lacune importante.
J'analyse un grand ensemble de données d'ARN, 6 tissus x 2 génotypes x 10 000 gènes. J'utilise une factorielle complète avec des tissus et des conditions fixes, et un sujet aléatoire. Gene est la variable By.
Ma question concerne la sortie des estimations et des -logPs... pour ma variable tissulaire (6 valeurs), je n'obtiens pas les estimations ou les valeurs P pour la dernière variable de l'ordre, uniquement les LSMeans. Si je déplace l'ordre et réexécute, je peux y arriver... mais j'espère générer des tracés de volcan pour chacune des interactions (tissueXgeno). Peut-être que je comprends mal le résultat ? Merci d'avance!
Re : Complément de modèle mixte linéaire généralisé@pwrege je copie @MeichenDong , qui peut répondre à votre question.Lorsque vous utilisez la fonctionnalité @, la personne que vous sélectionnez reçoit un e-mail.
Re : Complément de modèle mixte linéaire généraliséSalut @pwrege , Merci pour votre question! Si vous avez accès à JMP17 Pro, vous pouvez essayer la version plus complète de GLMM sous Analyser > Ajuster le modèle, puis choisir Personnalité comme « Modèle mixte linéaire généralisé ».
Pour le complément, je me demande quels réglages de paramètres vous utilisiez. Avez-vous essayé d'augmenter le "Max Iteration" dans le panneau d'options ? Parfois, il faut plusieurs itérations pour que le modèle converge. S'il vous plaît laissez-moi savoir si vous avez d'autres questions!
Re : Complément de modèle mixte linéaire généraliséJ'étudie l'écologie et le comportement des éléphants de forêt en Afrique centrale, en utilisant la surveillance acoustique. Je souhaite étudier l'effet de l'activité forestière sur la probabilité qu'un cri d'éléphant se produise pendant la nuit plutôt que pendant le jour, car d'autres études ont suggéré que l'augmentation des appels nocturnes reflète une réponse aux perturbations humaines (principalement le braconnage). Les données sont des succès/essais, déterminés à partir d'enregistrements sur 9 sites différents à différentes distances de l'exploitation forestière active (= à moins de quelques kilomètres).
Je voulais utiliser le complément GLMM en raison de la sortie de moyennes marginales (pas d'effets aléatoires dans cette analyse simple), mais les estimations des paramètres et leur signification en tant que prédicteurs sont extrêmement différentes de celles du GLMM et du GLM et je suis intéressé par pourquoi cela devrait être.
Vous trouverez ci-dessous des captures d'écran des résultats des deux personnalités :
GLMM - événements/essais - binôme - logit
Résumé de l'ajustement
R Carré | 0,004847 |
Ajustement RSquare | 0,002292 |
Erreur quadratique moyenne | 0,939466 |
Moyenne de réponse | -0,0881 |
Observations (ou somme des poids) | 194.2821 |
Analyse de la variance
Source | DF | Somme des carrés | Carré moyen | Rapport F |
Modèle | 2 | 3.34890 | 1,67445 | 1,8972 |
Erreur | 779 | 687.54205 | 0,88260 | Prob > F |
C. Total | 781 | 690.89095 | | 0,1507 |
Estimations des paramètres
Terme | Estimation | Erreur standard | Rapport t | Prob>|t| |
Intercepter | 0,0484165 | 0,097423 | 0,50 | 0,6193 |
année fiscale[1] | -0,084323 | 0,078483 | -1.07 | 0,2830 |
logexpos2[1oui] | 0,1389546 | 0,091878 | 1,51 | 0,1308 |
-
GLM - événements/essais - binôme - logit
Test du modèle entier
Modèle | -LogLikelihood | Chicarré LR | DF | Prob>ChiSq |
Différence | 247.258921 | 494.5178 | 2 | <.0001* |
Complet | 9444.02167 | | | |
Réduit | 9691.28059 | | | |
Statistique d'ajustement | Chi carré | DF | Prob>ChiSq |
Pearson | 14001.87 | 779 | <.0001* |
Déviance | 18426.55 | 779 | <.0001* |
Tests d'effet
Source | DF | Chicarré LR | Prob>ChiSq | |
année fiscale | 1 | 62.133979 | <.0001* | |
logexpos2 | 1 | 413.68264 | <.0001* | |
Estimations des paramètres
Terme | Estimation | Erreur standard | Chicarré LR | Prob>ChiSq | CL inférieur | CL supérieur |
Intercepter | 0,291917 | 0,0233196 | 162.24916 | <.0001* | 0,2463549 | 0,3377743 |
année fiscale[1] | -0,137987 | 0,0175207 | 62.133979 | <.0001* | -0,172342 | -0,103659 |
logexpos2[1oui] | 0,4319415 | 0,0217689 | 413.68264 | <.0001* | 0,3894144 | 0,4747556 |
-
Merci pour toute contribution
Re : Complément de modèle mixte linéaire généraliséSalut @winfriedkoch0 ,
Je pense que la plateforme GLMM sera disponible dans JMP PRO 17.
Re : Complément de modèle mixte linéaire généraliséVous avez mentionné dans une réponse précédente que l'option de structures de covariance supplémentaires sera disponible dans le prochain JMP 17. Ce message est-il vrai pour JMP 17 ou pour JMP 17 Pro uniquement ?
Re : Complément de modèle mixte linéaire généraliséSalut @kandonov ,
Merci pour la question. Si vous avez plusieurs variables dépendantes, par exemple {y1, y2, y3}, les spécifier toutes dans la case Y ne fonctionnerait malheureusement pas. Pour ce complément, le seul cas où il est actuellement possible de placer plusieurs variables dans la zone Y est notre exemple 5, qui montre le cas binomial dans lequel vous utilisez une deuxième variable pour spécifier n.
Cependant, il existe quelques solutions de contournement que je vous suggère d'essayer.
Tout d'abord, vous pouvez empiler les données (empiler y1, y2, y3 dans une seule variable y) et exécuter le complément actuel ou « Ajuster le modèle » avec la personnalité « Modèle mixte », créant une nouvelle variable pour indiquer la variable multivariée (par exemple , les valeurs de cette variable pourraient être les noms de variable 'y1', 'y2', 'y3' pour suggérer à quelle variable correspond la valeur y) et la spécifier comme un effet fixe avec tous les autres et peut-être aussi certaines interactions avec il.Spécifiez ensuite « sujet » comme effet aléatoire - cela établirait une structure de cov à symétrie composée, qui n'est pas entièrement multivariée mais une approximation plus simple de celle-ci.
Deuxièmement, je Si les données sont de Poisson ou Binomiales, cela peut également fonctionner pour les centrer et les mettre à l'échelle, et utiliser une approximation normale avec un modèle mixte linéaire. Veuillez consulter des exemples de « Modèle ajusté » avec la personnalité « Modèle mixte ».
S'il vous plaît laissez-moi savoir si vous avez d'autres questions! Je suis toujours joignable au Meichen.Dong@jmp.com .
Meilleur,
Meichen
Re : Complément de modèle mixte linéaire généraliséCher Meichen,
Merci pour ce super complément !
Cependant, j'ai une question. Peut-on effectuer un GLMM multivarié à l’aide de ce complément ? Peut-être que si j'ajoute quelques variables dépendantes dans la case « Y », cela fonctionnera, n'est-ce pas ?
Acclamations,
K/
Re : Complément de modèle mixte linéaire généraliséSalut @MANCOVAChicken1 , Merci pour vos questions !
Pour la question 1, idéalement si le modèle s'adapte bien aux données, la convergence (1e-8) peut être atteinte avant la 30ème itération. Cependant, si la convergence n'est pas atteinte après la 30ème itération, vous pouvez augmenter le nombre d'itérations ou perdre le critère de convergence (par exemple, le changer en 1e-7) pour voir si la convergence peut être obtenue. Dans votre cas, 30 itérations ne semblent pas suffire, donc augmenter le nombre d'itérations est la bonne voie à suivre. Je suggère que vous puissiez augmenter ce nombre à des valeurs plus grandes comme 200 pour voir si les résultats changent, par rapport à lorsque vous le définissez sur 100. Car si la convergence est atteinte, augmenter encore le nombre d’itérations vous donnera le même résultat.
Pour la question 2, si vous choisissez la distribution Gamma, le lien canonique « réciproque » ou « inverse » est utilisé. Par conséquent, si vous souhaitez dériver les moyennes LS sur l’échelle des données d’origine, une transformation est nécessaire. Cela signifie que votre valeur attendue E(Y_i) = mu_i est modélisée comme suit : 1/(mu_i) = b0+b1*x_1i + ...
Pour dériver mu_i, vous devrez prendre l'inverse des valeurs prédites : 1/(b0+b1*x_1i + ... ).
S'il vous plaît laissez-moi savoir si vous avez d'autres questions! Je suis toujours joignable à Meichen.Dong@jmp.com
Meilleur,
Meichen
Re : Complément de modèle mixte linéaire généraliséBonjour Meichen,
Je suis nouveau dans l'utilisation du complément GLMM. Mes questions sont :
1. Existe-t-il un nombre maximum d'itérations « correct » qui peut être spécifié pour un modèle particulier ou s'agit-il d'une approche de type essais et erreurs ? J'ai essayé d'exécuter le même modèle avec le nombre maximum par défaut (30), puis avec 100 itérations et cela a donné des résultats radicalement différents. À 30 itérations, R2 était proche de zéro et aucune des variables n'avait de valeurs p significatives (section test des effets) ; à 100 itérations - le modèle R2 était de 0,7 et une variable explicative d'intérêt était significative à alpha 0,5.
2. Lorsque je choisis une distribution gamma, les moyennes LS et toutes les estimations semblent être sur une sorte d'échelle transformée et non sur l'échelle des données d'origine. Dois-je rétro-transformer les moyens LS et quelle transformation dois-je utiliser ?
Merci!
Re : Complément de modèle mixte linéaire généraliséSalut @AvgBrontosaure ,
Cela pourrait être lié au paramètre « Par limite de rapport de groupe » – par exemple, si votre variable BY a 20 niveaux et vous souhaitez voir tous les détails du modèle, vous pouvez définir cette valeur sur 21 ou plus . Ce paramètre est conçu pour éviter de générer un nombre écrasant de résultats : disons que lorsque vous avez 10 000 niveaux, vous ne voudrez probablement pas regarder les résultats un par un.
Re : Complément de modèle mixte linéaire généraliséSalut Meichen, j'ai essayé un des exemples et j'ai le problème
même problème. Après avoir appuyé sur Exécuter, les deux seules fenêtres qui apparaissent sont la
feuille de calcul avec toutes les valeurs du tableau ANOVA et les LSM et le graphique
constructeur. Lorsque je n'inclus pas de facteur "par", le rapport complet apparaît
automatiquement.
Re : Complément de modèle mixte linéaire généraliséBonjour @AvgBrontosaure , merci pour votre question ! Vouliez-vous dire que le rapport GLMM ne s'est pas affiché après avoir spécifié les paramètres et les variables ? Pourriez-vous exécuter avec succès certains des exemples que nous avons fournis ? Souhaitez-vous partager plus de détails ? N'hésitez pas à envoyer d'autres questions à mon adresse e-mail : Meichen.Dong@jmp.com !
Re : Complément de modèle mixte linéaire généraliséBonjour Meichen,
J'ai du mal à trouver le rapport du GLMM lorsque je l'exécute par facteur de sous-groupe. Je reçois le générateur de graphiques et la table ANOVA, mais je souhaite exécuter des analyses post-hoc. En général, je les exécute dans le rapport final qui est automatiquement créé. Existe-t-il un moyen pour moi d'appeler ce rapport ? Ou bien, effectuer des analyses post-hoc d’une autre manière ?
Merci!
Re : Complément de modèle mixte linéaire généraliséSalut @Ning214 , je me demande quels sont les noms de vos variables. Ce serait formidable si vous pouviez fournir plus de détails ou m'envoyer un exemple de jouet. N'hésitez pas également à envoyer vos coordonnées par e-mail à Meichen.Dong@jmp.com
Re : Complément de modèle mixte linéaire généraliséBonjour,
Tous les échantillons de données fonctionnent correctement dans mon jmp pro 15. Cependant, lorsque j'exécute mes données de comptage (distribution de Poisson), voici ce que je rencontre :
En espérant votre aide.
Merci beaucoup.
Re : Complément de modèle mixte linéaire généraliséSalut @smartxalex Alex, vous avez mentionné que votre variable de résultat est continue, alors comment avez-vous spécifié les paramètres dans le complément ? Plus précisément, quels « Distribution » et « Lien » ont été spécifiés ? Si le résultat suit une distribution normale, vous pouvez essayer le modèle MIXED dans JMP. N'hésitez pas à m'envoyer un e-mail pour plus de détails/exemples de jouets sur votre question ! Mon email est: Meichen.Dong@jmp.com
Meilleur,
Meichen
Re : Complément de modèle mixte linéaire généraliséBonne soirée,
J'espérais que quelqu'un pourrait m'aider à résoudre un problème.Je n’arrive pas à faire fonctionner ce complément toute ma vie.Je peux le faire fonctionner pour les exemples de données fournis ci-dessus ; cependant, j'ai des données très simples que j'aimerais modéliser.J'ai une variable dépendante continue ; une variable indépendante continue et une variable binaire.Je souhaite tester l'effet de la variable binaire sur la variable dépendante continue mais je continue de recevoir un message d'erreur indiquant :
"toutes les lignes contiennent des données exclues ou manquantes.La colonne avec le plus de données manquantes est (variable binaire) ; cependant, il n’y a aucune donnée manquante.Toutes les lignes contiennent des données saisies.
En cliquant sur "OK", j'obtiens un autre message d'erreur indiquant :
"Impossible de trouver la colonne lors de l'accès ou de l'évaluation de 'Colonne', Colonne/*###*/("Cond Pred Formula _pseudo")".
Lorsque vous regardez la table générée, "_eta" et "_pseudo" ont des valeurs vides.
Je suis actuellement sur JMP 15. Toute aide serait grandement appréciée car j'aimerais compter uniquement sur JMP pour ma sortie plutôt que d'avoir à faire des allers-retours entre différents logiciels pour répondre à mes besoins.Merci d'avance!
Cordialement,
Alex
Re : Complément de modèle mixte linéaire généraliséSalut @MagaSganga , je viens de comprendre le problème que vous avez mentionné, et essayez le complément mis à jour ! Merci pour vos commentaires!
Re : Complément de modèle mixte linéaire généraliséSalut @smmarsh2 , Merci pour la question! Actuellement dans ce complément, nous ne fournissons pas les options pour les matrices de covariance. Cependant, nous aurons une nouvelle plateforme JMP GLMM dans JMP 17 (la nouvelle version). La nouvelle plate-forme est initialement constituée uniquement de matrices de covariance côté G, ce qui dans JMP signifie des composantes de variance et des modèles de coefficients aléatoires (avec covariances). Les structures de covariance côté R pour les mesures répétées et/ou les données spatiales sont prévues pour une version ultérieure.
S'il vous plaît laissez-moi savoir si vous avez des questions.
Meilleur,
Meichen
Re : Complément de modèle mixte linéaire généraliséJe commence à apprendre GLIMMIX. Cependant mon mentor l'utilise fréquemment dans SAS (pas JMP). Son commentaire pour le plug-in est le suivant :
En examinant leurs exemples, ils ont toujours utilisé les composantes de variance comme matrice de covariance. Cette matrice pour moi n'a jamais donné l'AICC le plus bas. J'espère qu'il existe un moyen de changer la matrice utilisée.
Existe-t-il d'autres options pour les matrices de covariance ?
Merci!
Stéphanie
Re : Complément de modèle mixte linéaire généraliséSalut @MagaSganga ,
Avez-vous essayé avec nos exemples de données et vu si cela fonctionne sur votre machine avec votre version actuelle de JMP ?
Une chose que je suggérerais d'essayer est de définir la variable "By" comme type de modélisation de caractère et nominal. Si vous rencontrez toujours des problèmes pour exécuter cela, n'hésitez pas à nous envoyer plus de détails ou un exemple de données de jouet.
Re : Complément de modèle mixte linéaire généraliséSalut @MeichenDong . J'utilise votre complément et j'ai un problème avec By. Je n'arrive pas à le faire fonctionner. Lorsque je sélectionne une colonne et que je la mets dedans, elle génère cette erreur :
Un mélange de 13 paramètres (réponse, effets fixes, effets aléatoires, distribution, lien, maximum = 50, convergence = 0,00000001, décalage = 0, cf = 0,5, poids = 1, expon = 1, nombre = 0,00001, ynom_reference) est indiqué 10 arguments ("PL MIN", "Posicion unificada", "ID, Contrario", "Poisson", "", 30, 0.00000001, "", 0.5, "").
pour accéder à l'évaluation de 'Fonction' , Function(
{réponse, effets_fixes, effets_randoms, distribution, lien, maxiter = 50,
converge = 0,00000001, offset = 0, cf = 0,5, poids = 1, expon = 1, numder =
0,00001, ynom_référence},
{iter, rmse, préc, curr, err, dt},
dt = Table de données actuelle ();
et le texte continue. La colonne Cat que j'ai mise dans By est numérique et ordinale. Le programme fonctionne lorsque je laisse ce champ vide.
J'ai téléchargé et installé ce complément il y a 5 jours, je pense donc avoir la dernière version.
Merci.
Re : Complément de modèle mixte linéaire généraliséSalut @YAMAg , merci pour la question ! Je me demande si vous avez essayé de télécharger les exemples de données et de voir si le complément fonctionne ?Pourriez-vous vérifier si les types de modélisation des variables sont correctement définis ? Si les étapes ci-dessus ne vous aident pas, n'hésitez pas à envoyer votre exemple de jouet/questions détaillées à Meichen.Dong@jmp.com .
Meilleur,
Meichen
Re : Complément de modèle mixte linéaire généraliséBonjour, c'est exactement ce que je cherchais et cela semble utile.
Je voudrais vous poser une question car je ne sais pas comment effectuer l'analyse.
J'aimerais faire un GLMM afin de rechercher des facteurs liés à un résultat qui est une variable binaire. Ce faisant, mes données sont imbriquées dans les individus car elles ont été collectées plusieurs fois auprès du même sujet.
J'ai ajouté le résultat (variable binaire, nom) à Y, le facteur exploratoire à Effet fixe et l'ID (pour identifier le sujet) à Effet aléatoire ; Je n'ai rien ajouté à Weight, Offset ou By. Cependant, je n'ai pas pu bien l'analyser car j'ai reçu un message d'erreur de Columm/*##*/(*Cond Pred Fomula_pseudo*). J'espère que vous pourrez me donner de bons conseils.
Re : Complément de modèle mixte linéaire généraliséSalut @juaccco123 , mon email est Meichen.Dong@jmp.com . N'hésitez pas à envoyer des questions détaillées ou des ensembles de données sur les jouets !
-Meichen
Re : Complément de modèle mixte linéaire généraliséSalut Meichen, merci pour la réponse rapide.
J'utilise JMP 15, j'ai essayé votre suggestion sur un PC (en plaçant la variable avant les variables du modèle) et je ne fonctionne toujours pas.
Comment puis-je vous partager mon jeu de données ?
Re : Complément de modèle mixte linéaire généraliséSalut @juaccco123 , avez-vous essayé de sélectionner toutes les variables d'intérêt avant de cliquer sur la croix ? Cela fonctionne de mon côté. Utilisez-vous une machine Mac ou Windows ? Quelle version de JMP utilisez-vous ?
Je peux également regarder de plus près si vous disposez d'un ensemble de données sur les jouets.
-Meichen
Re : Complément de modèle mixte linéaire généraliséJe viens de télécharger le complément et j'essaie de croiser des variables pour mes effets fixes et aléatoires. Cependant, lorsque je sélectionne les variables et clique sur "croix", rien ne se passe.
Pourriez-vous m'aider?
Merci
Re : Complément de modèle mixte linéaire généraliséSalut @Sandeep123 , je viens de mettre à jour le complément, veuillez consulter la nouvelle partie « Exemple 2.1 » ajoutée. Cela devrait vous permettre de travailler avec un résultat nominal sans recoder manuellement le résultat au format numérique. S'il vous plaît laissez-moi savoir si vous avez des questions! Merci pour vos commentaires!
Re : Complément de modèle mixte linéaire généraliséSalut @Sandeep123 , C'est une bonne question! Pour la version actuelle, nous pouvons "recoder" la variable de résultat et effectuer l'analyse (voir les figures ci-dessous). Nous mettrons bientôt à jour le complément pour permettre le résultat nominal.
Re : Complément de modèle mixte linéaire généraliséJe m'intéresse à la variable de résultat nominal (mortalité oui/non). J'ai des données de plusieurs sites. Je voulais inclure les sites comme variable aléatoire dans le modèle
jmp n'autorisera pas les effets aléatoires, je recherche donc des options
Re : Complément de modèle mixte linéaire généraliséSalut @Sandeep123 , les exemples 2 et 6 concernent la variable binaire y. La fonction de lien par défaut est logit. Serait-ce quelque chose que vous recherchez ?
Re : Complément de modèle mixte linéaire généraliséExiste-t-il un moyen d'exécuter ceci pour la variable catégorielle y (régression logistique)
Re : Complément de modèle mixte linéaire généraliséSalut I_yampolsky,
Il se peut que vous soyez en version 10. Oui, ça marche définitivement en 15.
Merci!
Re : Complément de modèle mixte linéaire généraliséEst-ce peut-être spécifique à la version ? Je suis toujours sur Ver. 10 mais j'ai accès au 14 ou 15 ailleurs, est-ce que ça fonctionnera le 14 ou le 15 ?
Re : Complément de modèle mixte linéaire généraliséC'est génial, exactement ce que je recherchais, en particulier avec la solution des effets imbriqués.
Cependant, j'ai du mal à le faire fonctionner. Les options nécessaires Distribution et Lien sont grisées et ne peuvent pas être cliquées pour effectuer une sélection.
Qu'est-ce que je fais mal?
Merci!
Re : Complément de modèle mixte linéaire généraliséSalut @CraigSargent , lorsque Year est un effet aléatoire et que Trial est imbriqué dans Year, nous pourrions également faire la même chose. Vous pouvez essayer de tester les deux modèles suivants :
Modèle 1 : Y = effets fixes + année + essai [année]
Modèle 2 : Y = fixEffects + Year + new_variable
où "new_variable" correspond aux identifiants uniques pour chaque année et chaque essai.
Par exemple, si nous avons Année = 2018, 2019 et pour chaque année, et que nous avons Niveaux d'essai = A, B, C, D. Les données peuvent donc ressembler à :
Année d'essai new_variable
2018A2018_A
2018B2018_B
2018C 2018_C
2018 J 2018_D
2019A2019_A
2019 B 2019_B
2019 C 2019_C
2019 J 2019_D
Le modèle 1 et le modèle 2 devraient nous donner le même résultat. Par conséquent, en utilisant le modèle 2, nous n’avons plus besoin de spécifier des effets « imbriqués ».
S'il vous plaît laissez-moi savoir si ce qui précède n'est pas assez clair, je serai heureux de donner plus d'exemples.
-Meichen
Re : Complément de modèle mixte linéaire généraliséMerci d'avoir clarifié comment obtenir le complément.
Merci également pour la solution de contournement pour les effets imbriqués.
Là où j'utilise les effets imbriqués, c'est dans des conceptions telles que des parcelles divisées ou des conceptions à long terme qui impliquent des essais expérimentaux au cours des années et entre elles ; Par exemple, l'année est un effet aléatoire et l'essai imbriqué dans l'année est un effet aléatoire.
Re : Complément de modèle mixte linéaire généraliséSalut @CraigSargent , tout en haut de cette page Web, vous pouviez voir nos fichiers sources. Enregistrez le fichier « Generalized Linear Mixed Model.jmpaddin » sur votre lecteur/dossier local, par exemple Desktop. Ensuite, dans l'espace virtuel JMP, choisissez > Fichier > Ouvrir > Bureau > Modèle mixte linéaire généralisé.jmpaddin.
Pour la question des effets imbriqués, @sbrlsi en fait suggéré qu'il est simple d'éviter de l'utiliser. Nous avons juste besoin de créer une colonne avec des identifiants uniques dans chaque niveau de la variable d'imbrication.
Voyons un exemple simple ici : https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/two-factor-nested-random-effects-model.shtml .
Vous pouvez accéder aux exemples de données « 2 Factors Nested.jmp » en choisissant Aide > Exemples de données > Systèmes de mesure > 2 Factors Nested.jmp. Les données ressemblent à ceci :
Vous pouvez voir que « Pièce » est imbriquée dans « Opérateur » et que « Partie » a un identifiant unique dans chaque niveau de « Opérateur ».
Vous pouvez adapter deux modèles comme celui-ci, soit en utilisant Part[operator], soit Part, et les résultats seront les mêmes.
S'il vous plaît laissez-moi savoir si vous avez des questions à ce sujet !
Re : Complément de modèle mixte linéaire généraliséMerci. Où puis-je trouver le fichier du complément pour l'enregistrer sur mon disque local ?
Concernant les effets imbriqués, j'espère que vous ajouterez bientôt cette fonctionnalité. La plupart de mes conceptions expérimentales dans mes recherches impliquent des effets imbriqués. Je continuerai à utiliser GLIMMIX dans SAS pour cela, jusqu'à ce que vous ajoutiez des effets imbriqués adaptés à votre complément JMP.
Merci d'avoir abordé les GLMM dans JMP. C'est quelque chose que je demande depuis des années.
Re : Complément de modèle mixte linéaire généraliséSalut @CraigSargent ,
Pour votre première question, lorsque vous utilisez JMP sur un laboratoire/den virtuel, tant que vous avez d'abord enregistré le fichier complémentaire sur le lecteur local, vous devriez également pouvoir l'installer virtuellement ! Je viens de l'essayer en utilisant le laboratoire virtuel de mon école et cela fonctionne bien. Alors n'hésitez pas à me faire savoir si vous ou vos élèves rencontrez un problème !
Pour la deuxième question, notre version actuelle du complément ne permet pas encore d'ajuster les effets imbriqués. Nous pourrions ajouter cette fonction plus tard !
Re : Complément de modèle mixte linéaire généraliséLes effets fixes ou aléatoires peuvent-ils être imbriqués ? Cela ne ressort pas clairement de la partie modèle de construction de l'interface présentée dans les vidéos.
Re : Complément de modèle mixte linéaire généraliséQuand vous dites que nous devons installer ce complément, comment cela fonctionne-t-il ? Mon université dispose d'une licence de site pour JMP et nous pouvons soit en télécharger une copie sur notre ordinateur principal, soit l'utiliser dans ce que nous appelons un Virtual Den via un environnement Citrix. Lorsque mes élèves utilisent JMP en classe sur leurs ordinateurs portables, ils l'utilisent principalement dans Virtual Den. Dans ce cas, aurions-nous besoin que nos administrateurs réseau incluent le complément ? Merci.
Re : Complément de modèle mixte linéaire généraliséSalut Meichen
Merci beaucoup. Ça marche très bien ! Espérons que ce ne soit pas trop de travail supplémentaire à résoudre.
Pierre
Re : Complément de modèle mixte linéaire généraliséSalut @PDunn , j'ai mis à jour le fichier du complément ici. Pourriez-vous s'il vous plaît le télécharger à nouveau et l'essayer maintenant ? Je pense que ce correctif devrait résoudre le problème. S'il vous plaît laissez-moi savoir si vous avez d'autres questions! -Meichen
Re : Complément de modèle mixte linéaire généralisésalut Peter @PDunn , oui, le tracé du volcan est un joli chiffre récapitulatif et le MixedModel ne le génère pas directement. Sera mis à jour si cela est corrigé ! JMP Genomics dispose d'un flux de travail d'analyse de séquençage d'ARN intéressant et vous pouvez le vérifier si vous êtes intéressé. -Meichen
Re : Complément de modèle mixte linéaire généraliséSalut
Merci de votre retour vers moi. Oui, j'ai essayé de le réinstaller et j'ai toujours la même erreur. Je l'ai également essayé sur JMP 14 sur un mac. J'utilisais Win10 auparavant. Toujours le même problème. Mais après y avoir réfléchi davantage et regardé le résultat (le fichier en ligne GLMM result.jmp), je pense que je peux toujours l'utiliser sans l'option « Par ». Pour étudier plusieurs gènes à la fois, je veux en fait les résultats de signification par gène que je n'obtiens pas avec la commande « par ». D'un autre côté, vous aurez probablement besoin de la commande « by » pour obtenir les tracés du volcan. Au moins pour les variables de réponse normalement distribuées, je peux continuer à utiliser MixedModel. Ce serait bien que cela fonctionne. Je me demande s'ils ont cela en cours d'exécution dans le package JMP Genomics (je ne l'ai jamais regardé).
Merci encore pour votre aide et bon reste de votre été. Pierre
Re : Complément de modèle mixte linéaire généralisésalut Peter @PDunn , merci d'avoir essayé ça ! (avez-vous essayé de ne pas le « désenregistrer » et de le réinstaller directement ?) Il y a définitivement quelque chose qui doit être corrigé ! La fonction "By" a été ajoutée récemment et elle pourrait nécessiter davantage de débogage. J'utilisais JMP 15.2 lors de l'écriture du complément, mais je ne pense pas que la version soit importante. Il s'agit en fait de mon projet de stage d'été et cela pourrait me prendre un certain temps pour corriger le bug et le mettre à jour puisque j'ai désormais un accès limité à JMP. Je vous tiendrai au courant dès que j'aurai une solution !
Re : Complément de modèle mixte linéaire généraliséSalut
Merci de votre retour. J'ai simplement "désenregistré" le complément, puis je l'ai réinstallé. Ensuite, j'ai réessayé le complément sur le fichier "varPartDEdata_stack10". Le complément n'a pas fonctionné même après avoir renommé la variable "by" en Gene1 (à l'origine Gene) ou l'avoir copiée dans une nouvelle colonne et l'avoir renommée. J'ai également essayé de redémarrer le programme (JMP 16EA) et le problème persistait.
Je ne suis donc pas sûr de ce qui pourrait arriver. L'erreur indique : Nom non résolu : Gene1 à la ligne 1 lors de l'accès ou de l'évaluation de 'Gene1', Gene1/*###*/
Si je laisse de côté la variable "by" (Gene1), elle fonctionnera cependant, mais il est évidemment utile de savoir quels gènes sont importants ici.
Merci, Pierre
Re : Complément de modèle mixte linéaire généraliséSalut @PDunn , je vois votre problème et oui, cela m'est arrivé parfois et j'essaie de le résoudre. Avec la version actuelle, pouvez-vous essayer de réinstaller le complément et voir si l'exemple RNA-seq fonctionne ? Renommer la variable « par » dans la table de données fonctionne parfois également.
Re : Complément de modèle mixte linéaire généraliséSalut
Oui, cela a l'air très utile.J'ai essayé l'exemple du vaisseau et cela fonctionne, mais le dernier exemple avec les données RNA-seq me donne une erreur cryptique, et il me donne également une erreur quelque peu similaire avec mes propres données RNA-seq.Avec l'ensemble de données varPartDEdata_stack10.jmp, j'ai suivi les instructions (et la vidéo YouTube) avec Y = logexprs, By = Gene, distribution normale, effets fixes du sexe et du sous-type de maladie et effet aléatoire de l'individu.J'appuie sur Exécuter et il y a une erreur : Nom non résolu : Gène à la ligne 1 dans l'accès ou l'évaluation de "Gène", Gene/*###*/.
Aucune suggestion?
Merci, Pierre
Re : Complément de modèle mixte linéaire généraliséCe complément sera d'une grande valeur pour les utilisateurs de JMP.
