Add-in für verallgemeinerte lineare gemischte ModelleMit diesem Add-In können Sie das verallgemeinerte lineare gemischte Modell in JMP ausführen. Die Standardparametereinstellungen sind größtenteils dieselben wie beim SAS %GLIMMIX-Makro, das iterativ neu gewichtete Wahrscheinlichkeiten verwendet, um das Modell anzupassen (Wolfinger & O'Connell, 1993).
Der Wählen Sie den Bereich „Spalten“ aus zeigt alle Variablen im aktuellen Datensatz an.
Der Wählen Sie den Bereich „Rollenvariablen“ aus ermöglicht Ihnen die Angabe von:
- Y: die Antwortvariable.
- Gewicht: eine Gewichtungsvariable für die Analyse.
- Offset: die Offset-Variable. Der Standardwert ist kein Offset.
- By: Mit der By-Variable können Sie Modelle für Untergruppen gleichzeitig anpassen.
Der Modelleffekte konstruieren Das Panel umfasst:
- Feste Effekte
- Zufällige Effekte
Der Optionsfeld beinhaltet:
- Verteilung : die Antwortvariablenverteilung. Der Standardwert ist Binomial.
- Verknüpfung : Die Link-Funktion, die verwendet wird, um die Antwortvariable in Pseudo-Scores umzuwandeln, bevor das gemischte Modell verwendet wird. Die kanonischen Linkfunktionen werden bereitgestellt.
- Maximale Iteration : die maximale Anzahl von Iterationen, damit der Algorithmus konvergiert. Der Standardwert ist 30.
- Konvergenzkriterium : Wenn der RMSE kleiner als der Wert des Konvergenzkriteriums ist, wird die Iteration gestoppt. Der Standardwert ist 1E-8.
- Korrekturfaktor : Eine Konstante, die im ersten Transformationsschritt zur Antwortvariablen hinzugefügt wird, um Singularitäten zu vermeiden. Der Standardwert ist 0,5.
- Nach Gruppenberichtslimit : Wenn Sie eine By-Variable angeben und die Anzahl der Untergruppen größer als dieser Grenzwert ist, wird die Berichtsausgabe unterdrückt. Stattdessen werden eine Übersichtstabelle und eine Graph Builder-Schnittstelle bereitgestellt.
Wir veranschaulichen die Details des Add-Ins anhand online verfügbarer Beispiele (%GLIMMIX-Makro-Ergebnis-Website: https://support.sas.com/techsup/notes/v8/25/030.html oder auf der PROC GLIMMIX-Website: https://go.documentation.sas.com/?docsetId=statug&docsetVersion=15.1&docsetTarget=statug_glimmix_examples.htm&locale=en ). Um Vergleichsergebnisse mithilfe des SAS-Makros abzuleiten, legen Sie die Option „DDFM=KR“ in der MODEL-Anweisung und außerdem die Option „NOBOUND“ in der PROC MIXED-Anweisung fest.
Demovideos sind auch online verfügbar:
Beispiel 6 – Salamander-Daten-Langformat: https://youtu.be/6gCqufudFV4
Beispiel 7 – RNA-seq-Daten: https://youtu.be/o4LeTmVzzVE
Beispiel 1 – Poisson-Verteilung (ship_demo.jmp):
Das Folgende ist ein Einblick in die Schiffsdaten (ursprünglich von McCullagh und Nelder (1989), Abschnitt 6.3.).
Die Antwortvariable ist „N“, die der Poisson-Verteilung folgt. Der feste Effekt im verallgemeinerten linearen gemischten Modell ist „Typ“; und die zufälligen Effekte sind „Jahr, Periode, Jahr*Periode“. Die Offset-Variable ist „service“.
Die Standard-Linkfunktion für die Poisson-Verteilung ist der „Log“-Link. Beachten Sie, dass wir das Linkfeld einfach leer lassen können, wenn wir die kanonischen (Standard-)Links für eine ausgewählte Distribution verwenden möchten.
Interaktionsbegriffe können hinzugefügt werden, indem Sie zwei oder mehr Variablen auswählen und im Bereich „Feste Effekte“ oder „Zufällige Effekte“ auf die Schaltfläche „Kreuz“ klicken.
Klicken Sie auf die Schaltfläche „Ausführen“, nachdem Sie alle Modellparameter angegeben haben. Nach 28 Iterationen konvergierte der Algorithmus. Die Ergebnisausgabe erfolgt im Mixed-Model-Format in JMP. Beachten Sie, dass wir beim Vergleich mit den %GLIMMIX SAS-Makroergebnissen aufgrund der unterschiedlichen Design-Matrix-Kodierung empfehlen, die F-Test-Ergebnisse, LS-Mittelwerte oder Varianzkomponentenschätzungen anstelle der Schätzungen der Parameter für feste Effekte zu vergleichen.
Beispiel 2 – Binärverteilung (sal1.jmp):
Das Folgende ist ein Einblick in die Salamander-Daten (ursprünglich von McCullagh und Nelder (1989), Abschnitt 14.5). Beachten Sie, dass Sie vor dem Ausführen der Analyse den richtigen Modellierungstyp für die interessierenden Variablen definieren. Im folgenden Beispiel sind die Variablen „fnum, mnum“ fortlaufende Zahlen. Wenn wir sie jedoch als kategoriale Variablen verwenden möchten, können wir mit der rechten Maustaste auf den Variablennamen > Spalteninformationen klicken und dann den Modellierungstyp in „nominal“ ändern.
Modellspezifikation: Antwortvariable: ybin. Verteilung: Binomial. Linkfunktion: logit.
Fester Effekt: fpop, mpop, fpop*mpop. Zufälliger Effekt: fpop*fnum, mpop*mnum.
Der Algorithmus konvergiert nach 10 Iterationen.
Beispiel 2.1 Binärverteilung (sal1_ynominal.jmp):
Wenn das Ergebnis ist charakteristisch/nominal B. „ybin_char“ in den folgenden Daten (Ebenen sind Y und N), bieten wir die Option an „Referenzniveau für Nominalergebnis (Y)“ . Sie können den Referenzpegel angeben, beispielsweise „N“ als Standard. Ein weiteres Beispiel: Ergebnis Y hat Ebenen ' Hoch ' Und ' Niedrig ', und Sie können angeben ' Niedrig ' im Feld Referenzniveau für Nominalergebnis (Y).
Beispiel 3 – Binomialverteilung (blotch.jmp)
Datenquelle: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex04.htm&docsetVersion=15.1&locale=en
Die Antwortvariable „prop“ gibt die an Vorfall . „Standort“ und „Vielfalt“ sind die beiden festen Effekte. Wir wählen die „Binomial“-Verteilung und die Standard-Link-Funktion ist „Logit“. (In diesem Beispiel geben wir keinen zufälligen Effekt an.)
Die LSmeans von „Variety“ und „Site“ stimmen mit denen aus dem %GLIMMIX-Makro und PROC GLIMMIX überein. Die Ergebnisse des F-Tests zeigten jedoch Diskrepanzen.
Beispiel 4 – Binomialverteilung (rcb_binomial.jmp)
Nach 6 Iterationen leiten wir das folgende Ergebnis ab. Dieses Ergebnis stimmt mit dem vom %GLIMMIX-Makro generierten Ergebnis überein, unterscheidet sich jedoch geringfügig vom Ergebnis von PROC GLIMMIX.
Um die vorhergesagte „ Veranstaltungen/Prüfungen " oder " Erfolge/Gesamtversuche ” Raten, führen Sie die Transformation durch:
wo die Schätzung von
ist die Spalte „_pred“ in unserer Datentabelle. Dies kann durch manuelles Hinzufügen einer Spalte in der Datentabelle und Festlegen einer Formel dafür erfolgen.
Konkret sieht Ihr Datensatz nach dem Ausführen des GLMM-Add-Ins wie folgt aus.
Wir können eine neue Spalte erstellen und eine Formel darauf festlegen:
Dann könnten wir schließlich die neue Variable „predicted_rate“ wie unten gezeigt ableiten:
Beispiel 5 – Binomialverteilung (hessianfly.jmp)
Datenquelle: https://go.documentation.sas.com/?docsetId=statug&docsetTarget=statug_code_gmxex01.htm&docsetVersion=15.1&locale=en
Die Antwort lautet „y/n“ und hat die Form „ Veranstaltungen/Prüfungen " oder " Erfolge/Gesamtversuche “. Bei der Angabe der Antwortvariablen Y müssen wir zuerst die Variable „events“, in diesem Fall „y“, und anschließend die Variable „trials“ auswählen. Daher wird „n“ nach „y“ ausgewählt. Stellen Sie „Eintritt“ als festen Effekt und „Blockieren“ als zufälligen Effekt ein. Wählen Sie die „Binomial“-Verteilung und verwenden Sie die Standard-Linkfunktion „Logit“.
Nach 6 Iterationen leiten wir die Ergebnisse wie folgt ab:
Die Ergebnisse der obigen Beispiele können mit dem SAS PROC GLIMMIX und dem %GLIMMIX-Makro überprüft werden. Der Code SAS_Example_macro_proc_verification.sas ist auf Anfrage erhältlich .
Beispiel 6 – Binärverteilung (sal1_long.jmp):
Wenn die Daten aus Teilmengen bestehen und Sie jede Gruppe/Teilmenge unabhängig modellieren möchten, können Sie die Gruppen-/Teilmengen-Indikatorvariable im Feld „Nach“ angeben.
In diesem Beispiel ist sal1_long.jmp die gestapelte Version der Salamander-Daten (ursprünglich von McCullagh und Nelder (1989), Abschnitt 14.5). Dabei werden die Antwortvariablen „y1, y2, y3“ in die Variable „ystack“ gestapelt. Die Variable „ycat“ gibt die ursprüngliche Antwortkategorie an.
Geben Sie hier „ystack“ als Antwortvariable und „ycat“ als By-Variable an. Ähnlich wie bei den Einstellungen in Beispiel 2 können wir die Verteilung, den festen Effekt und den zufälligen Effekt festlegen.
Die GLMM-Prozedur wird für jede im Feld „By“ angegebene Gruppe/Teilmenge durchgeführt. Der Abschlussbericht ist wie folgt. Die Ergebnisse werden für jede Gruppe/Teilmenge aufgelistet – Antwort y1_pseudo, Antwort y2_pseudo und Antwort y3_pseudo.
Beispiel 7 – RNA-seq-Daten
Da Genomdaten in der Regel hochdimensional sind und die Anzahl der Gene/SNPs in der Regel mehr als 10.000 beträgt, kann die Durchführung der integrierten Analyse eine rechentechnische Herausforderung darstellen. Um dieses Add-in für die Zukunft zur Analyse der RNA-seq-Daten zu verwenden, testen wir die Leistung, wenn wir die Anzahl der Gene erhöhen, die im Feld „By“ angegeben sind. Dieser Abschnitt dient als Teil des Stresstests, da die By-Funktion nicht im Multithreading geschrieben ist.
Die hier verwendeten Beispieldaten sind online öffentlich zugänglich und stammen aus dem Paket (Hoffman & Roussos, 2020): https://bioconductor.org/packages/release/bioc/vignettes/variancePartition/inst/doc/dream.html
- varPartDEdata_count.jmp ist die ursprüngliche Zählmatrix
- varPartDEdata_metadata.jmp sind die Metadaten für die 24 Beispiele
- varPartDEdata_stack10.jmp sind die verarbeiteten Daten, in denen die Genexpression der ersten 10 Gene zusammen mit anderen Metadatenvariablen gestapelt ist.
- varPartDEdata_stack100.jmp sind die verarbeiteten Daten, in denen die Genexpression der ersten 100 Gene zusammen mit anderen Metadatenvariablen gestapelt ist.
Aus dem Online-Beispiel können wir für jedes Gen das Modell wie folgt anpassen:
Y ~ Krankheitssubtyp + Geschlecht + (1|Individuum)
, wobei „DiseaseSubtype“ und „Sex“ feste Effekte und „Individual“ der zufällige Effekt sind. Hier die Antwortvariable Y
hängt von der Wahl der Verteilung ab. Eine Möglichkeit der Verteilung ist die „Poisson“-Verteilung, und in diesem Fall verwenden wir die Rohzahl „Ausdruck“ als Antwortvariable. Eine alternative Möglichkeit, die RNA-seq-Daten zu modellieren, besteht darin, zunächst die logarithmische Transformation der Zählungen durchzuführen und „logexprs“ als Antwortvariable zu verwenden und gleichzeitig die „Normal“-Verteilung anzugeben.
Anhand der Beispieldaten varPartDEdata_stack10.jmp können wir die Ergebnisse für jedes der zehn Gene separat ableiten:
Bei Verwendung von „logexprs“ als Antwortvariable sind die Ergebnisse von „Analysieren > Modell anpassen > Gemischtes Modell“ und unserem GLMM-Add-In identisch. Wenn Sie die Rohzahlen „Ausdruck“ als Antwort verwenden und die „Poisson“-Verteilung angeben, ist die Laufzeit länger. Wenn die maximale Anzahl von Iterationen erreicht ist, kann dies bedeuten, dass die ausgewählte Verteilungs- oder Verknüpfungsfunktion möglicherweise nicht gut für die Daten geeignet ist.
Anzahl der Untergruppen (Gene) in der Variable „By“.
|
Poisson-Laufzeit (HH:MM:SS)
|
Normale Laufzeit (HH:MM:SS)
|
Gemischtes Modell mit Log(Count)-Laufzeit (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
|
|
……
|
|
|
|
Wenn die Anzahl der Gene/Untergruppen im Feld „Nach“ angegeben ist ist größer als By Group Report Limit=10 , zum Beispiel mit varPartDEdata_stack100.jmp , wir werden den Bericht nicht mehr anzeigen. Stattdessen wird eine JMP-Tabelle „GLMM-Ergebnis“ zusammen mit einem Vulkandiagramm bereitgestellt. Die Tabelle „GLMM-Ergebnis“ enthält einen Teil der F-Testergebnisse (DFDen_, F Ratio_, Prob > F_), die Mittelwerte der kleinsten Quadrate (LSMeans:) sowie einen Teil der Parameterschätzungen (Estimate:, -log10(Prob >|t|):).
Indem wir „logexprs“ als Y angeben und „Normalverteilung“ angeben, können wir den folgenden Datensatz ableiten. (Verfügbar als GLMM result.jmp )
Das Standard-Vulkandiagramm wird für den ersten angegebenen festen Effekt generiert. Sie können die Spalten wechseln, um im Vulkandiagramm nach anderen interessierenden Variablen zu suchen.
(100 Gene, logexprs)
(10000 Gene, logexprs)
(10000 Gene, Expression, Poisson)
Verweise
Hoffmann, GE, & Roussos, P. (2020). Traum: Leistungsstarke Differentialausdrucksanalyse für Designs mit wiederholten Messungen. BioRxiv, 432567 .
Wolfinger, R., & O'Connell, M. (1993). Verallgemeinerte lineare gemischte Modelle sind ein Pseudo-Likelihood-Ansatz. Zeitschrift für statistische Berechnung und Simulation , 48(3-4), 233-243.
Mit diesem Add-In können Sie das verallgemeinerte lineare gemischte Modell in JMP ausführen.
Analytische AnwendungsentwicklungBiowissenschaftenStatistikenBetreff: Generalisiertes lineares gemischtes Modell-Add-In@MeichenDong Das ist ein tolles Plug-In!
Ich habe 17PRO, aber es erlaubt nur Binomial oder Poisson, sodass Ihr Plug-In eine wichtige Lücke füllt.
Ich analysiere einen großen RNA-Datensatz, 6 Gewebe x 2 Genotypen x 10.000 Gene. Ich verwende die vollständige Fakultät mit den Geweben und Bedingungen als fest und das Subjekt als zufällig. Gene ist die By-Variable.
Meine Frage steht in der Ausgabe für die Schätzungen und -logPs ... für meine Gewebevariable (6 Werte). Ich erhalte nicht die Schätzungen oder P-Werte für die Variable, die in der Reihenfolge zuletzt steht, sondern nur die LSMeans. Wenn ich die Reihenfolge verschiebe und erneut ausführe, komme ich dorthin ... aber ich hoffe, Vulkandiagramme für jede der Interaktionen auszugeben (tissueXgeno). Vielleicht verstehe ich die Ausgabe falsch? Dank im Voraus!
Betreff: Generalisiertes lineares gemischtes Modell-Add-in@pwrege Ich kopiere @MeichenDong , der Ihre Frage beantworten kann.Wenn Sie die @-Funktion verwenden, erhält die von Ihnen ausgewählte Person eine E-Mail.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @pwrege , Danke, für ihre Frage! Wenn Sie Zugriff auf JMP17 Pro haben, können Sie die vollständigere Version von GLMM unter „Analysieren“ > „Modell anpassen“ ausprobieren und dann „Persönlichkeit“ als „Generalisiertes lineares gemischtes Modell“ auswählen.
Ich frage mich, welche Parametereinstellungen Sie für das Add-In verwendet haben. Haben Sie versucht, die „Max Iteration“ im Optionsfeld zu erhöhen? Manchmal sind mehrere Iterationen erforderlich, bis das Modell konvergiert. Bitte lassen Sie mich wissen, wenn Sie weitere Fragen haben!
Betreff: Generalisiertes lineares gemischtes Modell-Add-InIch untersuche die Ökologie und das Verhalten von Waldelefanten in Zentralafrika mithilfe akustischer Überwachung. Ich interessiere mich für die Auswirkung der Holzeinschlagsaktivität auf die Wahrscheinlichkeit, dass ein Elefantenruf eher in der Nacht als am Tag erfolgt, da andere Studien darauf hingewiesen haben, dass vermehrter Nachtruf eine Reaktion auf menschliche Störungen (hauptsächlich Wilderei) widerspiegelt. Bei den Daten handelt es sich um Erfolge/Erprobungen, ermittelt aus Aufzeichnungen an 9 verschiedenen Standorten in unterschiedlicher Entfernung zum aktiven Holzeinschlag (= näher als ein paar Kilometer).
Ich wollte das GLMM-Add-In wegen der Ausgabe von Randmitteln verwenden (keine zufälligen Effekte in dieser einfachen Analyse), aber die Parameterschätzungen und die Signifikanz als Prädiktoren unterscheiden sich erheblich von GLMM vs. GLM, und mich interessiert, warum dies so sein sollte Sei.
Nachfolgend finden Sie Screenshots der Ergebnisse der beiden Persönlichkeiten:
GLMM – Ereignisse/Prüfungen – Binomial – Logit
Zusammenfassung von Fit
R Quadrat | 0,004847 |
RSquare Adj | 0,002292 |
Fehler im quadratischen Mittelwert | 0,939466 |
Mittelwert der Reaktion | -0,0881 |
Beobachtungen (oder Summengewichte) | 194.2821 |
Varianzanalyse
Quelle | DF | Quadratsumme | Quadratischer Mittelwert | F-Verhältnis |
Modell | 2 | 3.34890 | 1.67445 | 1,8972 |
Fehler | 779 | 687.54205 | 0,88260 | Prob > F |
C. Gesamt | 781 | 690.89095 | | 0,1507 |
Parameterschätzungen
Begriff | Schätzen | Standardfehler | t-Verhältnis | Prob>|t| |
Abfangen | 0,0484165 | 0,097423 | 0,50 | 0,6193 |
Geschäftsjahr[1] | -0,084323 | 0,078483 | -1.07 | 0,2830 |
logexpos2[1ja] | 0,1389546 | 0,091878 | 1,51 | 0,1308 |
-
GLM – Ereignisse/Prüfungen – Binomial – Logit
Gesamtmodelltest
Modell | -LogLikelihood | LR ChiSquare | DF | Prob>ChiSq |
Unterschied | 247.258921 | 494.5178 | 2 | <.0001* |
Voll | 9444.02167 | | | |
Reduziert | 9691.28059 | | | |
Statistik zur Anpassungsgüte | ChiSquare | DF | Prob>ChiSq |
Pearson | 14001.87 | 779 | <.0001* |
Abweichung | 18426,55 | 779 | <.0001* |
Wirkungstests
Quelle | DF | LR ChiSquare | Prob>ChiSq | |
Geschäftsjahr | 1 | 62.133979 | <.0001* | |
logexpos2 | 1 | 413.68264 | <.0001* | |
Parameterschätzungen
Begriff | Schätzen | Standardfehler | LR ChiSquare | Prob>ChiSq | Niedrigerer CL | Oberer CL |
Abfangen | 0,291917 | 0,0233196 | 162.24916 | <.0001* | 0,2463549 | 0,3377743 |
Geschäftsjahr[1] | -0,137987 | 0,0175207 | 62.133979 | <.0001* | -0,172342 | -0,103659 |
logexpos2[1ja] | 0,4319415 | 0,0217689 | 413.68264 | <.0001* | 0,3894144 | 0,4747556 |
-
Vielen Dank für jede Eingabe
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @winfriedkoch0 ,
Ich glaube, dass die GLMM-Plattform in JMP PRO 17 verfügbar sein wird.
Betreff: Generalisiertes lineares gemischtes Modell-Add-InSie haben in einer früheren Antwort erwähnt, dass die Option zusätzlicher Kovarianzstrukturen im kommenden JMP 17 verfügbar sein wird. Gilt diese Meldung nur für JMP 17 oder nur für JMP 17 Pro?
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @kandonov ,
Danke für die Frage. Wenn Sie mehrere abhängige Variablen haben, zum Beispiel {y1, y2, y3}, würde es leider nicht funktionieren, sie alle im Y-Feld anzugeben. Für dieses Add-In ist der einzige Fall, in dem mehrere Variablen derzeit in das Y-Feld eingefügt werden, unser Beispiel 5, das den Binomialfall zeigt, bei dem Sie eine zweite Variable zur Angabe von n verwenden.
Es gibt jedoch einige Problemumgehungen, die ich Ihnen zum Ausprobieren empfehlen würde.
Zuerst könnten Sie die Daten stapeln (y1, y2, y3 in einer Variablen y stapeln) und das aktuelle Add-In oder „Modell anpassen“ mit der Persönlichkeit „Gemischtes Modell“ ausführen und eine neue Variable erstellen, um die multivariate Variable anzugeben (z. B , die Werte dieser Variablen könnten die Variablennamen „y1“, „y2“, „y3“ sein, um anzugeben, welcher Variable der y-Wert entspricht) und sie zusammen mit allen anderen und möglicherweise auch einigen Interaktionen mit als festen Effekt anzugeben Es.Geben Sie dann „Subjekt“ als Zufallseffekt an – dies würde eine zusammengesetzte Symmetrie-Cov-Struktur erstellen, die nicht vollständig multivariat ist, sondern eine einfachere Annäherung daran darstellt.
Zweitens, ich Wenn die Daten Poisson- oder Binomialdaten sind, kann es auch funktionieren, sie zu zentrieren und zu skalieren und eine Normalnäherung mit einem linearen gemischten Modell zu verwenden. Bitte sehen Sie sich Beispiele für „Fit Model“ mit „Mixed Model“-Persönlichkeit an.
Bitte lassen Sie mich wissen, wenn Sie weitere Fragen haben! Ich bin jederzeit unter erreichbar Meichen.Dong@jmp.com .
Am besten,
Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-InLiebe Meichen,
Vielen Dank für dieses tolle Add-In!
Allerdings habe ich eine Frage. Kann man mit diesem Add-In ein multivariates GLMM durchführen? Vielleicht funktioniert es, wenn ich ein paar abhängige Variablen in das Feld „Y“ einfüge, oder?
Prost,
K/
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @MANCOVAChicken1 , Danke für deine Fragen!
Für Frage 1: Wenn das Modell idealerweise gut zu den Daten passt, kann die Konvergenz (1e-8) vor der 30. Iteration erreicht werden. Wenn die Konvergenz jedoch nach der 30. Iteration nicht erreicht wird, können Sie die Anzahl der Iterationen erhöhen oder das Konvergenzkriterium verlieren (z. B. in 1e-7 ändern), um zu sehen, ob Konvergenz erreicht werden kann. In Ihrem Fall scheinen 30 Iterationen nicht auszureichen, daher ist eine Erhöhung der Anzahl der Iterationen der richtige Weg. Ich schlage vor, dass Sie diese Zahl auf größere Werte wie 200 erhöhen, um zu sehen, ob sich die Ergebnisse ändern, verglichen mit der Einstellung auf 100. Denn wenn Konvergenz erreicht wird, führt eine weitere Erhöhung der Anzahl der Iterationen zum gleichen Ergebnis.
Wenn Sie sich für Frage 2 für die Gammaverteilung entscheiden, wird der kanonische Link „reziproker“ oder „inverser“ Link verwendet. Wenn Sie daher die LS-Mittelwerte auf der ursprünglichen Datenskala ableiten möchten, ist eine Transformation erforderlich. Das bedeutet, dass Ihr erwarteter Wert E(Y_i) = mu_i wie folgt modelliert wird: 1/(mu_i) = b0+b1*x_1i + ...
Um mu_i abzuleiten, müssen Sie den Kehrwert der vorhergesagten Werte nehmen: 1/(b0+b1*x_1i + ... ).
Bitte lassen Sie mich wissen, wenn Sie weitere Fragen haben! Ich bin jederzeit unter Meichen.Dong@jmp.com erreichbar
Am besten,
Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo Meichen,
Ich bin neu in der Verwendung des GLMM-Add-Ins. Meine Fragen sind:
1. Gibt es eine „richtige“ maximale Anzahl von Iterationen, die für ein bestimmtes Modell angegeben werden kann, oder handelt es sich um einen Versuch-und-Irrtum-Ansatz? Ich habe versucht, dasselbe Modell mit der standardmäßigen maximalen Anzahl (30) und dann mit 100 Iterationen auszuführen, und das führte zu drastisch unterschiedlichen Ergebnissen. Bei 30 Iterationen lag R2 nahe bei Null und keine der Variablen hatte signifikante p-Werte (Abschnitt Effekttest); Bei 100 Iterationen betrug das Modell-R2 0,7 und eine erklärende Variable von Interesse war bei Alpha 0,5 signifikant.
2. Wenn ich eine Gammaverteilung wähle, scheinen die LS-Mittelwerte und alle Schätzungen auf einer Art transformierten Skala und nicht auf der ursprünglichen Datenskala zu liegen. Muss ich die LS-Mittelwerte zurücktransformieren und welche Transformation sollte ich verwenden?
Danke schön!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @AvgBrontosaurus ,
Dies könnte mit dem Parameter „ Nach Gruppenberichtslimit ” – zum Beispiel, wenn Ihre BY-Variable hat 20 Level und Sie alle Modelldetails sehen möchten, können Sie diesen Wert auf setzen 21 oder höher . Dieser Parameter soll verhindern, dass eine überwältigende Anzahl an Ergebnissen ausgegeben wird: Wenn Sie beispielsweise 10.000 Levels haben, möchten Sie die Ergebnisse wahrscheinlich nicht einzeln betrachten.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHey Meichen, ich habe eines der Beispiele ausprobiert und ich habe das
gleiches Problem. Nachdem ich auf „Ausführen“ geklickt habe, sind die einzigen beiden Fenster, die auftauchen, das
Tabellenkalkulation mit allen ANOVA-Tabellenwerten und LSMs sowie dem Diagramm
Baumeister. Wenn ich keinen „Nach“-Faktor einbeziehe, wird der vollständige Bericht angezeigt
automatisch.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @AvgBrontosaurus , danke für deine Frage! Meinten Sie, dass der GLMM-Bericht nach der Angabe der Parameter und Variablen nicht angezeigt wurde? Könnten Sie einige der von uns bereitgestellten Beispiele erfolgreich ausführen? Möchten Sie weitere Details mitteilen? Weitere Fragen können Sie gerne an meine E-Mail senden: Meichen.Dong@jmp.com !
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo Meichen,
Ich habe Probleme, den Bericht für den GLMM zu finden, wenn ich ihn mit einem Untergruppierungsfaktor ausführe. Ich bekomme den Graph Builder und die ANOVA-Tabelle, möchte aber Post-hoc-Analysen durchführen. Normalerweise führe ich diese im Abschlussbericht aus, der automatisch erstellt wird. Gibt es eine Möglichkeit, diesen Bericht aufzurufen? Oder alternativ Post-hoc-Analysen auf andere Weise durchführen?
Danke!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @Ning214 Ich frage mich, wie Ihre Variablen heißen. Es wäre toll, wenn Sie mir weitere Details mitteilen oder mir ein Spielzeugbeispiel schicken könnten. Bitte senden Sie Ihre Daten auch per E-Mail an Meichen.Dong@jmp.com
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo,
Alle Datenbeispiele laufen in meinem JMP Pro 15 reibungslos. Wenn ich jedoch meine Zähldaten (Poisson-Verteilung) ausführe, stoße ich auf Folgendes:
Ich hoffe auf Ihre Hilfe.
Vielen Dank.
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @smartxalex Alex, du hast erwähnt, dass deine Ergebnisvariable kontinuierlich ist. Wie hast du also die Parameter im Add-In angegeben? Welche „Verteilung“ und „Link“ wurden konkret angegeben? Wenn das Ergebnis der Normalverteilung folgt, können Sie das MIXED-Modell in JMP ausprobieren. Bitte senden Sie mir gerne eine E-Mail mit weiteren Details/Spielzeugbeispielen zu Ihrer Frage! Meine Email ist: Meichen.Dong@jmp.com
Am besten,
Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-inGuten Abend,
Ich hatte gehofft, dass mir jemand bei einem Problem helfen könnte.Ich kann dieses Add-In nicht dauerhaft zum Laufen bringen.Ich kann es für die oben bereitgestellten Beispieldaten zum Laufen bringen. Ich habe jedoch einige sehr einfache Daten, die ich modellieren möchte.Ich habe eine kontinuierliche abhängige Variable; eine kontinuierliche unabhängige Variable und eine binäre Variable.Ich möchte die Auswirkung der binären Variablen auf die kontinuierliche abhängige Variable testen, erhalte jedoch ständig die folgende Fehlermeldung:
„Alle Zeilen enthalten Daten, die ausgeschlossen sind oder fehlen.Die Spalte mit den meisten fehlenden Daten ist (binäre Variable)“; es fehlen jedoch keine Daten.In allen Zeilen sind Daten eingegeben.
Wenn ich auf „Okay“ klicke, erhalte ich eine weitere Fehlermeldung mit folgendem Inhalt:
„Spalte konnte beim Zugriff oder bei der Auswertung von ‚Spalte‘, Column/*###*/(„Cond Pred Formula _pseudo“) nicht gefunden werden.“
Wenn man sich die generierte Tabelle ansieht, haben sowohl „_eta“ als auch „_pseudo“ leere Werte.
Ich verwende derzeit JMP 15. Für jede Hilfe wäre ich sehr dankbar, da ich mich für meine Ausgabe ausschließlich auf JMP verlassen möchte, anstatt zwischen verschiedenen Softwareprogrammen hin- und herwechseln zu müssen, um meine Anforderungen zu erfüllen.Vielen Dank im Voraus!
Beste grüße,
Alex
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @MagaSganga , ich habe gerade das von Ihnen erwähnte Problem herausgefunden und bitte versuchen Sie es mit dem aktualisierten Add-In! Vielen Dank für Ihr Feedback!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @smmarsh2 , danke für die Frage! Derzeit bieten wir in diesem Add-In keine Optionen für die Kovarianzmatrizen an. Allerdings werden wir in JMP 17 (der neuen Version) eine neue JMP GLMM-Plattform haben. Die neue Plattform umfasst zunächst nur G-seitige Kovarianzmatrizen, was in JMP Varianzkomponenten und Zufallskoeffizientenmodelle (mit Kovarianzen) bedeutet. R-seitige Kovarianzstrukturen für wiederholte Messungen und/oder räumliche Daten sind für eine zukünftige Version geplant.
Bitte lassen Sie mich wissen, wenn Sie Fragen haben.
Am besten,
Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-InIch fange an, GLIMMIX zu lernen. Mein Mentor verwendet es jedoch häufig in SAS (nicht in JMP). Sein Kommentar zum Plug-in lautet:
Bei der Betrachtung ihrer Beispiele haben sie immer die Varianzkomponenten als Kovarianzmatrix verwendet. Diese Matrix hat für mich nie den niedrigsten AICC ergeben. Hoffentlich gibt es eine Möglichkeit, die verwendete Matrix zu ändern.
Gibt es andere Optionen für die Kovarianzmatrizen?
Danke schön!
Stephanie
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @MagaSganga ,
Haben Sie es mit unseren Beispieldaten versucht und geprüft, ob das auf Ihrem Computer mit Ihrer aktuellen JMP-Version funktioniert?
Eine Sache, die ich vorschlagen würde, ist, die Variable „By“ als Zeichen- und Nominalmodellierungstyp festzulegen. Wenn Sie immer noch Probleme mit der Ausführung haben, senden Sie uns bitte weitere Details oder Beispieldaten für ein Spielzeug.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @MeichenDong . Ich verwende Ihr Add-In und habe ein Problem mit By. Ich kann es nicht zum Laufen bringen. Wenn ich eine Spalte auswähle und in „By“ einfüge, erhalte ich diesen Fehler:
Glimmix hat 13 Parameter (Antwort, feste_Effekte, zufällige_Effekte, Verteilung, Link, Maxiter = 50, Konvergenz = 0,00000001, Offset = 0, CF = 0,5, Gewichtung = 1, Expon = 1, Zahl = 0,00001, Ynom_Referenz), aber es wurden 10 angezeigt argumentos („PL MIN“, „Posicion unificada“, „ID, Contrario“, „Poisson“, „“, 30, 0.00000001, „“, 0.5, „“).
um auf die Auswertung von 'Function' zuzugreifen, Function(
{response, Fixed_effects, Random_Effects, Distribution, Link, Maxiter = 50,
konvergieren = 0,00000001, Offset = 0, cf = 0,5, Gewicht = 1, expon = 1, numder =
0,00001, ynom_reference},
{iter, rmse, prev, curr, err, dt},
dt = Aktuelle Datentabelle();
und der Text geht weiter. Die Spalte „Katze“, die ich in „Nach“ eingefügt habe, ist numerisch und ordinal. Das Programm funktioniert, wenn ich dieses Feld leer lasse.
Ich habe dieses Add-in vor 5 Tagen heruntergeladen und installiert, ich glaube also, dass ich die letzte Version habe.
Danke schön.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @YAMAg , danke für die Frage! Ich frage mich, ob Sie versucht haben, die Beispieldaten herunterzuladen und zu prüfen, ob das Add-In funktioniert?Könnten Sie überprüfen, ob die Modellierungstypen der Variablen richtig eingestellt sind? Wenn die oben genannten Schritte nicht helfen, senden Sie Ihr Spielzeugbeispiel/detaillierte Fragen gerne per E-Mail an Meichen.Dong@jmp.com .
Am besten,
Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo, das ist genau das, wonach ich gesucht habe, und es scheint nützlich zu sein.
Ich möchte Ihnen eine Frage stellen, da ich nicht sicher bin, wie ich die Analyse durchführen soll.
Ich möchte ein GLMM durchführen, um nach Faktoren zu suchen, die mit einem Ergebnis zusammenhängen, das eine binäre Variable ist. Dabei erfolgt eine Verschachtelung meiner Daten zu einzelnen Personen, da diese mehrfach vom gleichen Subjekt erhoben wurden.
Ich habe das Ergebnis (binäre Variable, Name) zu Y, den explorativen Faktor zu „Fester Effekt“ und die ID (zur Identifizierung des Subjekts) zu „Zufälliger Effekt“ hinzugefügt. Ich habe nichts zu „Gewicht“, „Versatz“ oder „Von“ hinzugefügt. Allerdings konnte ich es nicht gut analysieren, da ich die Fehlermeldung Columm/*##*/(*Cond Pred Fomula_pseudo*) erhielt. Ich hoffe, Sie können mir einen guten Rat geben.
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @juaccco123 , Meine Email-Adresse lautet Meichen.Dong@jmp.com . Gerne können Sie uns detaillierte Fragen oder Spielzeugdatensätze zusenden!
-Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo Meichen, danke für die schnelle Antwort.
Ich verwende JMP 15, habe Ihren Vorschlag auf einem PC ausprobiert (wobei ich die Variable vor die Modellvariablen gesetzt habe) und es funktioniert immer noch nicht.
Wie kann ich Ihnen meinen Datensatz zur Verfügung stellen?
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @juaccco123 , haben Sie versucht, alle interessierenden Variablen auszuwählen, bevor Sie auf das Kreuz geklickt haben? Das funktioniert bei mir. Verwenden Sie einen Mac- oder Windows-Rechner? Welche JMP-Version verwenden Sie?
Ich kann auch einen genaueren Blick darauf werfen, wenn Sie einen Spielzeugdatensatz haben.
-Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-InIch habe gerade das Add-In heruntergeladen und versuche, Variablen für meine festen und zufälligen Effekte zu kreuzen. Wenn ich jedoch die Variablen auswähle und auf „Kreuz“ klicke, passiert nichts.
Kannst du mir helfen?
Danke
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @Sandeep123 , ich habe gerade das Add-In aktualisiert, siehe den neu hinzugefügten Teil „Beispiel 2.1“. Dies sollte es Ihnen ermöglichen, mit nominalen Ergebnissen zu arbeiten, ohne das Ergebnis manuell in ein numerisches Format umzukodieren. Bitte lassen Sie mich wissen, wenn Sie Fragen haben! Vielen Dank für Ihr Feedback!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @Sandeep123 , das ist eine gute Frage! Für die aktuelle Version können wir die Ergebnisvariable „umkodieren“ und die Analyse durchführen (siehe Abbildungen unten). Wir werden das Add-In aktualisieren, um das nominale Ergebnis bald zu ermöglichen.
Betreff: Generalisiertes lineares gemischtes Modell-Add-InIch interessiere mich für die nominale Ergebnisvariable (Mortalität ja/nein). Ich habe Daten von mehreren Websites. Wollte Websites als Zufallsvariable in das Modell einbeziehen
jmp lässt keine zufälligen Effekte zu, daher suche ich nach Optionen
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @Sandeep123 , Beispiel 2 und Beispiel 6 gelten für die binäre y-Variable. Die Standard-Link-Funktion ist logit. Wäre das etwas, wonach Sie suchen?
Betreff: Generalisiertes lineares gemischtes Modell-Add-inGibt es eine Möglichkeit, dies für die kategoriale Y-Variable auszuführen (logistische Regression)?
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo I_yampolsky,
Es könnte sein, dass Sie sich in Version 10 befinden. Ja, definitiv funktioniert es in 15.
Danke!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inIst das vielleicht versionenspezifisch? Ich bin immer noch auf Ver. 10, aber ich habe anderswo Zugriff auf 14 oder 15. Funktioniert es mit 14 oder 15?
Betreff: Generalisiertes lineares gemischtes Modell-Add-InDas ist großartig, genau das, was ich gesucht habe, insbesondere im Hinblick auf die Umgehung verschachtelter Effekte.
Ich habe jedoch Probleme, es auszuführen. Die notwendigen Optionen Verteilung und Link sind ausgegraut und können nicht angeklickt werden, um eine Auswahl zu treffen.
Was mache ich falsch?
Danke!
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo @CraigSargent Wenn Year ein zufälliger Effekt ist und Trial innerhalb von Year verschachtelt ist, könnten wir das Ähnliche auch tun. Sie könnten versuchen, die folgenden zwei Modelle zu testen:
Modell 1: Y = FixedEffects + Jahr + Testversion[Jahr]
Modell 2: Y = feste Effekte + Jahr + neue_Variable
Dabei ist „new_variable“ die eindeutige ID für jedes Jahr und jede Testversion.
Wenn wir beispielsweise Jahr = 2018, 2019 und für jedes Jahr haben und die Prüfungsstufen = A, B, C, D haben, könnten die Daten so aussehen:
Jahrestest 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
Modell 1 und Modell 2 sollten das gleiche Ergebnis liefern. Durch die Verwendung von Modell 2 müssen wir daher keine „verschachtelten“ Effekte mehr angeben.
Bitte lassen Sie mich wissen, wenn das oben Gesagte nicht klar genug ist. Ich gebe Ihnen gerne weitere Beispiele.
-Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-inVielen Dank für die Erläuterung, wie Sie das Add-In erhalten.
Vielen Dank auch für die Problemumgehung für verschachtelte Effekte.
Verschachtelte Effekte verwende ich in Designs wie Split-Plots oder Langzeitdesigns, die experimentelle Versuche innerhalb und zwischen Jahren beinhalten; Beispielsweise ist „Year“ ein zufälliger Effekt, und „Trial“, das innerhalb von „Year“ verschachtelt ist, ist ein zufälliger Effekt.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @CraigSargent Ganz oben auf dieser Webseite können Sie unsere Quelldateien sehen. Speichern Sie die Datei „Generalized Linear Mixed Model.jmpaddin“ auf Ihrem lokalen Laufwerk/Ordner, beispielsweise Desktop. Wählen Sie dann in der virtuellen Höhle JMP > Datei > Öffnen > Desktop > Generalized Linear Mixed Model.jmpaddin.
Für die Frage zu den verschachtelten Effekten: @sbrlsi tatsächlich vorgeschlagen, dass es einfach ist, die Verwendung zu vermeiden. Wir müssen lediglich eine Spalte mit eindeutigen IDs innerhalb jeder Ebene der Verschachtelungsvariablen erstellen.
Sehen wir uns hier ein einfaches Beispiel an: https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/two-factor-nested-random-effects-model.shtml .
Sie können auf die Beispieldaten „2 Factors Nested.jmp“ zugreifen, indem Sie „Hilfe“ > „Beispieldaten“ > „Messsysteme“ > „2 Factors Nested.jmp“ wählen. Die Daten sehen so aus:
Sie können sehen, dass „Teil“ in „Operator“ verschachtelt ist und „Teil“ innerhalb jeder Ebene von „Operator“ eine eindeutige ID hat.
Sie könnten zwei Modelle wie das folgende anpassen, entweder mit Part[Operator] oder Part, und die Ergebnisse werden die gleichen sein.
Bitte lassen Sie mich wissen, wenn Sie Fragen dazu haben!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inDanke schön. Wo finde ich die Add-In-Datei, um sie auf meinem lokalen Laufwerk zu speichern?
Bei verschachtelten Effekten hoffe ich, dass Sie diese Funktion bald hinzufügen. Die meisten meiner experimentellen Designs in meiner Forschung beinhalten verschachtelte Effekte. Ich werde dafür weiterhin GLIMMIX in SAS verwenden, bis Sie Ihrem JMP-Add-In passende verschachtelte Effekte hinzufügen.
Vielen Dank, dass Sie sich mit GLMMs in JMP befasst haben. Das ist etwas, was ich schon seit Jahren fordere.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @CraigSargent ,
Zu Ihrer ersten Frage: Wenn Sie JMP in einem virtuellen Labor/Höhle verwenden, sollten Sie es auch virtuell installieren können, sofern Sie die Add-In-Datei zuerst auf dem lokalen Laufwerk gespeichert haben! Ich habe es gerade im virtuellen Labor meiner Schule ausprobiert und es funktioniert gut. Bitte lassen Sie mich wissen, wenn Sie oder Ihre Schüler auf ein Problem stoßen!
Zur zweiten Frage: Unsere aktuelle Add-in-Version ermöglicht die Anpassung der verschachtelten Effekte noch nicht. Möglicherweise fügen wir diese Funktion später hinzu!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inKönnen feste oder zufällige Effekte verschachtelt werden? Das geht aus dem in den Videos gezeigten Konstruktmodellteil der Benutzeroberfläche nicht klar hervor.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inWenn Sie sagen, dass wir dieses Add-In installieren müssen, wie funktioniert das? Meine Universität verfügt über eine Standortlizenz für JMP, und wir können entweder eine Kopie auf unseren Hauptcomputer herunterladen oder sie über eine Citrix-Umgebung in einer sogenannten virtuellen Höhle verwenden. Wenn meine Schüler JMP im Klassenzimmer auf ihren Laptops verwenden, nutzen sie es meistens im Virtual Den. Müssen unsere Netzwerkadministratoren in diesem Fall das Add-In einbinden? Danke.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo Meichen
Vielen Dank. Es funktioniert großartig! Hoffentlich war das nicht zu viel zusätzliche Arbeit, die es zu beheben galt.
Peter
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @PDunn , ich habe die Add-In-Datei hier aktualisiert. Könnten Sie es bitte noch einmal herunterladen und jetzt ausprobieren? Ich denke, dieser Fix sollte das Problem lösen. Bitte lassen Sie mich wissen, wenn Sie weitere Fragen haben! -Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo Peter @PDunn , ja, das Vulkandiagramm ist eine schöne zusammenfassende Zahl und das MixedModel generiert das nicht direkt. Wird aktualisiert, wenn das Problem behoben wird! JMP Genomics verfügt über einen guten RNA-Seq-Analyse-Workflow, den Sie bei Interesse gerne überprüfen können. -Meichen
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo
Vielen Dank, dass Sie sich noch einmal bei mir gemeldet haben. Ja, ich habe versucht, es neu zu installieren, aber es trat immer noch der gleiche Fehler auf. Ich habe es auch mit JMP 14 auf einem Mac ausprobiert. Ich habe vorher Win10 verwendet. Immer noch das gleiche Problem. Aber nachdem ich genauer darüber nachgedacht und mir die Ausgabe (die Online-Datei GLMM result.jmp) angesehen habe, denke ich, dass ich dies immer noch ohne die Option „By“ verwenden kann. Um viele Gene gleichzeitig zu untersuchen, möchte ich eigentlich die Signifikanzergebnisse pro Gen, die ich mit dem Befehl „by“ nicht erhalte. Andererseits benötigen Sie wahrscheinlich den Befehl „by“, um die Vulkandiagramme zu erhalten. Zumindest für normalverteilte Antwortvariablen kann ich MixedModel weiterhin verwenden. Es wäre aber schön, wenn das laufen würde. Ich frage mich, ob das im JMP Genomics-Paket läuft (ich habe es mir noch nie angesehen).
Nochmals vielen Dank für Ihre Hilfe und einen schönen restlichen Sommer. Peter
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo Peter @PDunn , Danke, dass du es versucht hast! (Haben Sie versucht, es nicht zu „abmelden“ und es direkt neu zu installieren?) Es gibt definitiv etwas, das behoben werden muss! Die Funktion „By“ wurde kürzlich hinzugefügt und erfordert möglicherweise mehr Debugging. Ich habe beim Schreiben des Add-Ins JMP 15.2 verwendet, aber ich glaube nicht, dass die Version wichtig ist. Dies ist eigentlich mein Sommerpraktikumsprojekt und es könnte eine Weile dauern, den Fehler zu beheben und zu aktualisieren, da ich jetzt nur eingeschränkten Zugriff auf JMP habe. Ich halte Sie auf dem Laufenden, sobald ich eine Lösung habe!
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo
Vielen Dank, dass Sie sich bei mir gemeldet haben. Ich habe das Add-In einfach „abgemeldet“ und dann neu installiert. Dann habe ich das Add-In erneut für die Datei „varPartDEdata_stack10“ versucht. Das Add-In funktionierte nicht, selbst nachdem ich die Variable „by“ in Gene1 (ursprünglich Gene) umbenannt oder sie in eine neue Spalte kopiert und umbenannt habe. Ich habe auch versucht, das Programm (JMP 16EA) neu zu starten, aber das Problem trat immer noch auf.
Ich bin mir also nicht sicher, was falsch sein könnte. Der Fehler lautet: Name ungelöst: Gene1 in Zeile 1 beim Zugriff oder bei der Auswertung von „Gene1“, Gene1/*###*/
Wenn ich die „by“-Variable (Gene1) weglasse, wird es zwar ausgeführt, aber es ist natürlich wertvoll zu wissen, welche Gene hier von Bedeutung sind.
Danke, Peter
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @PDunn , ich verstehe Ihr Problem und ja, es ist mir manchmal passiert und ich versuche, es zu beheben. Können Sie mit der aktuellen Version versuchen, das Add-In neu zu installieren und zu sehen, ob das RNA-seq-Beispiel funktioniert? Manchmal funktioniert auch das Umbenennen der Variable „by“ in der Datentabelle.
Betreff: Generalisiertes lineares gemischtes Modell-Add-InHallo
Ja, das sieht sehr nützlich aus.Ich habe das Schiffsbeispiel ausprobiert und es funktioniert, aber das letzte Beispiel mit den RNA-seq-Daten gibt mir einen kryptischen Fehler und es gibt mir auch einen etwas ähnlichen Fehler mit meinen eigenen RNA-seq-Daten.Mit dem Datensatz varPartDEdata_stack10.jmp folgte ich den Anweisungen (und dem YouTube-Video) mit Y=logexprs, By = Gene, Normalverteilung, festen Effekten von Sex und DiseaseSubtype und zufälligen Effekten von Individual.Ich drücke auf „Ausführen“ und es erscheint ein Fehler: Name ungelöst: Gen in Zeile 1 beim Zugriff oder bei der Auswertung von „Gene“, Gene/*###*/.
Irgendwelche Vorschläge?
Danke, Peter
Betreff: Generalisiertes lineares gemischtes Modell-Add-InDieses Add-in wird für JMP-Benutzer von großem Nutzen sein.
Betreff: Generalisiertes lineares gemischtes Modell-Add-inHallo @Shiz , Bitte erreichen Sie uns unter support@jmp.com und ich kann versuchen, Ihnen bei der Behebung des Problems zu helfen (bitte erwähnen Sie, dass Sie sich hier gemeldet haben, und teilen Sie den Link zum Community-Beitrag). Auch wenn wir (JMP) keinen Anspruch auf Robustheit (gegenüber verschiedenen Datenstrukturen) erheben und uns auch nicht dazu verpflichten können, den verwendeten Code zu pflegen oder zu aktualisieren (da es sich um ein Add-In handelt), stimme ich dennoch zu, dass es sehr nützlich ist!
Beachten Sie, dass wir in JMP 18 Pro (mit einem voraussichtlichen Veröffentlichungsdatum im ersten Quartal 2024) Normal, Exponential, Lognormal, Beta und Negative Binomial in GLMM unterstützen (zusätzlich zu Binomial und Poisson, die derzeit in 17 Pro unterstützt werden).
Prost @PatrickGiuliano (Technischer Support von JMP)
