일반화 선형 혼합 모델은 JMP Pro 17에서 도입되었으며, 이 모델에서는 이항 분포와 포아송 분포 두 가지를 지정할 수 있습니다.
GLMM은 선형 혼합 모델과 일반화 선형 모델 프레임워크라는 두 가지 접근 방식을 결합합니다. GLMM은 세 가지 유형의 모델 구조에 유용합니다.
- 완전 및 불완전 블록 설계
- 분할 플롯 실험
- 랜덤 계수 모델
방법을 알아보세요:
- 포아송 회귀를 사용하여 계수 데이터에 대한 혼합 효과 모델을 구축하고 결과를 해석하십시오.
- 이항 로지스틱 회귀 분석을 사용하여 그룹화된 데이터에 대한 혼합 효과 모델을 구축하고 결과를 해석하십시오.
- 이항 로지스틱 회귀 분석을 사용하여 개별 데이터에 대한 혼합 효과 모델을 구축하고 결과를 해석하십시오.
라이브 웹 세미나 데모에서 Jian Cao (@jiancao) 와 Byron Wingerd (@Byron_JMP) 가 답변한 질문:
질문: GLMM의 성능은 어떻게 평가하나요?
A: 자세한 내용은 다음과 같습니다.
질문: 무작위 효과를 포함하지 않으면 과분산 가능성이 반드시 증가하는 것일까요?
A: 무작위 효과를 포함시키면 과대평가 또는 과소평가할 가능성이 줄어듭니다.
질문: 그렇다면 무작위 효과가 있는데 왜 조건부 예측을 항상 사용하지 않는 건가요?
A: 보통은 주변 모델 프로파일러를 사용합니다. 조건부 모델 프로파일러는 별도의 분석 없이 요인에 대해 더 자세한 정보를 제공합니다.
질문: MSA 플랫폼에서 GLMM이 지원되나요?
A: MSA 빌더에서 생성된 데이터는 GLMM으로 분석할 수 있지만, 변동성 플랫폼이나 MSA와 자동으로 통합되지는 않습니다.
질문: Y의 순서가 중요한가요? 분자가 위쪽 숫자일 것 같은데요.
A: 네.
질문: 반복 측정 설계는 혼합 모델 플랫폼에서와 동일한 방식으로 명시되나요?
A: GLMM이 아닌 혼합 모델 플랫폼을 말씀하시는 거라면, https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeated-measures.shtml 을 참조하세요.
자원
