Los modelos lineales mixtos generalizados se introdujeron en JMP Pro 17, donde se especifican dos distribuciones: binomial y de Poisson.
GLMM combina dos enfoques: el modelo lineal mixto y el marco del modelo lineal generalizado. GLMM es útil para tres tipos de estructuras de modelos:
- Diseños de bloques completos e incompletos aleatorizados
- Experimentos de parcelas divididas
- modelos de coeficientes aleatorios
Vea cómo:
- Modelar efectos mixtos para datos de conteo utilizando regresión de Poisson e interpretar los resultados.
- Modelar efectos mixtos para datos agrupados utilizando regresión logística binaria e interpretar los resultados.
- Modelar efectos mixtos para datos individuales utilizando regresión logística binaria e interpretar los resultados.
Preguntas respondidas por Jian Cao (@jiancao ) y Byron Wingerd (@Byron_JMP) durante la demostración en directo del seminario web:
P: ¿Cómo se evalúa el rendimiento de los modelos GLMM?
A: Aquí están todos los detalles .
P: ¿El hecho de no incluir los efectos aleatorios conllevaría necesariamente un aumento en la posibilidad de sobredispersión?
A: Cuando se incluyen los efectos aleatorios, disminuye la probabilidad de sobreestimar o subestimar.
P: Entonces, dado que tenemos efectos aleatorios, ¿por qué no usaríamos siempre la predicción condicional?
R: Normalmente queremos el analizador de modelos marginales. El analizador de modelos condicionales ofrece más detalles sobre los factores sin realizar un análisis por separado.
P: ¿Es compatible GLMM con la plataforma MSA?
R: Los datos generados por el generador de MSA podrían analizarse con GLMM, pero no se integran automáticamente con la plataforma de variabilidad ni con MSA.
P: ¿Importa el orden de las Y? Supongo que el numerador es el número de arriba.
A: Sí.
P: ¿Los diseños de medidas repetidas se especifican de la misma manera que en la plataforma de modelos mixtos?
A: Si se refiere a la plataforma de modelos mixtos y no a GLMM, consulte https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-repeated-measures.shtml .
Recursos
