一般化線形混合モデルはJMP Pro 17で導入され、二項分布とポアソン分布の2つの分布を指定できます。
GLMMは、線形混合モデルと一般化線形モデルの2つのアプローチを組み合わせたものです。GLMMは、次の3種類のモデル構造に役立ちます。
- ランダム化完全ブロックデザインと不完全ブロックデザイン
- 分割区画実験
- ランダム係数モデル
以下の手順をご覧ください。
- ポアソン回帰を用いて計数データの混合効果モデルを作成し、結果を解釈する。
- 二項ロジスティック回帰を用いてグループ化されたデータの混合効果をモデル化し、結果を解釈する
- 二項ロジスティック回帰を用いて個々のデータに対する混合効果モデルを作成し、結果を解釈する。
ライブウェビナーデモ中に、Jian Cao氏（@jiancao）とByron Wingerd氏（@Byron_JMP）が質問に答えました。
Q: GLMMの性能評価はどのように行いますか？
A: 詳細はこちらです。
質問：ランダム効果を含めないことは、必ずしも過分散の可能性の増加につながるのでしょうか？
A：ランダム効果を含めることで、過大評価や過小評価をする可能性が低くなります。
Q: ランダム効果がある場合、なぜ常に条件付き予測を使用しないのでしょうか？
A: 通常は、周辺モデルプロファイラーを使用します。条件付きモデルプロファイラーは、個別の分析を行わずに、要因についてより詳細な情報を提供します。
Q: MSAプラットフォームではGLMMはサポートされていますか？
A: MSAビルダーで生成されたデータはGLMMで分析できますが、変動性プラットフォームやMSAとは自動的に統合されません。
Q: Yの順番は重要ですか？分子は上の数字だと思いますが。
A：はい。
質問：反復測定デザインは、混合モデルプラットフォームと同じ方法で指定されますか？
A: GLMMではなく混合モデルプラットフォームのことであれば、 https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeated-measures.shtmlを参照してください。
リソース
