La modélisation mixte est la méthode de référence pour l'analyse de données présentant plusieurs sources de variation aléatoire (blocs, parcelles divisées, etc.). Le modèle linéaire mixte (LMM) suppose que la réponse est continue et sans bornes. Si votre réponse est un dénombrement discret, une réponse binaire ou une proportion (oui/non), utilisez le modèle linéaire mixte généralisé (GLMM).
Découvrez comment :
- Comprendre les bases des modèles linéaires mixtes généralisés (GLMM).
- (Durée de la vidéo : environ 23 min 40 s) Comprendre et écouter les questions-réponses du premier exemple – tiré de SAS for Mixed Models (2018), exemple 11.5 ; Beitler et Landis ( biométrie , 1985)
- Essai clinique multicentrique
- 8 cliniques, deux traitements : « CNTL » et « DRUG »
- n_ij patients assignés au traitement i à la clinique j
- La variable de réponse y_ij correspond au nombre de patients présentant une évolution favorable.
- Objectif : le médicament augmente-t-il la probabilité d’une issue favorable et, si oui, dans quelle mesure ?
- (Durée de la vidéo : environ 48 min 40 s) Comprendre et écouter les questions-réponses du deuxième exemple – tiré de SAS pour les modèles mixtes (2018), exemple 12.3
- Régression à coefficients aléatoires multi-sources
- 8 lots
- Quantités X_1=0, X_2=2, X_3=4,… X_6=10 de traitement de finition appliquées aux échantillons de chaque lot
- La variable de réponse y_ij représente le nombre de micro-sites aberrants sur le produit fini pour la quantité i, lot j – comptage discret
- Objectifs :
- estimer l'effet de l'augmentation de la quantité de traitement de finition sur le nombre de micro-sites aberrants
- estimation ci-dessus par régression linéaire
- déterminer la quantité de traitement de finition nécessaire pour garantir un nombre de micro-sites aberrants ≤ 1.
Elizabeth ( @eclaassen) et Jian Cao (@jiancao ) répondent aux questions tout au long de la présentation et discutent des plans d'amélioration de GLMM dans les futures versions de JMP.
Q : Est-ce que JMP Pro 17 possède l'option de lien permettant de transformer inversement les estimations et les intervalles de confiance ?
A : Oui, et nous le constatons dans la démo.
Q : Que se passe-t-il si vous constatez des signes de surdispersion ou de sous-dispersion ?
A : Je n'ai pas rencontré de problèmes de sous-dispersion, ce n'est donc pas un point qui nous préoccupe particulièrement. Quant à la surdispersion, elle est souvent due à l'absence d'un terme dans le modèle. Ce terme doit être pris en compte s'il persiste après l'analyse de variance (ANOVA) utilisée pour définir le modèle. Dans ce cas, il s'agit peut-être d'une autre distribution à considérer. Il se peut aussi que la distribution ne soit pas binomiale et qu'il s'agisse d'une binomiale à excès de zéros, ou d'une distribution similaire. Il est donc important d'en tenir compte.
Fit Statistics Chi Square Might Identify Dispersion in ModelStatistiques d'ajustement du chi carré : une possible identification de la dispersion dans le modèleStatistiques d'ajustement du chi carré : une possible identification de la dispersion dans le modèle
Q : Les modèles GLMM incluent-ils les modèles additifs généralisés ?
A: Non, pas actuellement.
Ressources
