Gemischte Modelle sind der Standard für die Analyse von Daten mit mehreren Zufallsvariationsquellen (z. B. Blockbildung, Split-Plots). Das lineare gemischte Modell (LMM) geht von einer stetigen, unbegrenzten Zielgröße aus. Bei diskreten Zählwerten, binären Variablen oder Anteilen (ja/nein) verwenden Sie das generalisierte lineare gemischte Modell (GLMM).
So geht's:
- Die Grundlagen von GLMM verstehen
- (Videodauer ~23:40) Verstehen und hören Sie die Fragen und Antworten zum ersten Beispiel - aus SAS for Mixed Models (2018), Beispiel 11.5; Beitler & Landis ( Biometrie , 1985)
- Klinische Studie an mehreren Standorten
- 8 Kliniken, zwei Behandlungsformen: „CNTL“ und „DRUG“
- n_ij Patienten, die der Behandlung i in Klinik j zugeordnet sind.
- Die Zielvariable y_ij ist die Anzahl der Patienten mit einem günstigen Ergebnis.
- Zielsetzung: Erhöht die Einnahme von Medikamenten die Wahrscheinlichkeit eines positiven Ergebnisses und wenn ja, um wie viel?
- (Videozeit ~48:40) Verstehen und hören Sie Fragen und Antworten aus dem zweiten Beispiel – aus SAS für gemischte Modelle (2018), Beispiel 12.3
- Multiquellen-Regression mit zufälligen Koeffizienten
- 8 Lose
- Mengen X_1=0, X_2=2, X_3=4,… X_6=10 der auf die Proben aus jeder Charge angewendeten Oberflächenbehandlung.
- Die Zielvariable y_ij ist die Anzahl der fehlerhaften Mikrostellen auf dem Fertigprodukt für Menge i, Charge j – diskrete Zählung
- Ziele:
- Abschätzung des Einflusses einer zunehmenden Menge an Oberflächenbehandlung auf die Anzahl abweichender Mikrostellen
- obige Schätzung mittels linearer Regression
- Bestimmung des erforderlichen Umfangs der Nachbehandlung, um eine erwartete Anzahl abweichender Mikrostellen von ≤ 1 zu gewährleisten
Elizabeth @eclaassen und Jian Cao @jiancao beantworten im Verlauf Fragen und diskutieren Pläne zur Verbesserung von GLMM in zukünftigen Versionen von JMP.
F: Verfügt JMP Pro 17 über die Möglichkeit, Schätzwerte und Konfidenzintervalle per Link zurückzutransformieren?
A: Ja, und das sehen wir auch in der Demo.
F: Was ist, wenn Sie feststellen, dass es Anzeichen für Überdispersion oder Unterdispersion gibt?
A: Ich hatte bisher keine Probleme mit Unterdispersion, daher bereitet uns das keine besonderen Sorgen. Bei Überdispersion fehlt oft ein Term im Modell, den wir berücksichtigen müssen, falls er nach der ANOVA-Analyse noch existiert. Dann sollten wir möglicherweise eine andere Verteilung in Betracht ziehen. Oder es handelt sich nicht um eine Binomialverteilung, sondern um eine Zero-Inflated-Binomialverteilung oder etwas Ähnliches. Das müssen wir natürlich berücksichtigen.
Fit Statistics Chi Square Might Identify Dispersion in ModelAnpassungsstatistik (Chi-Quadrat-Test) könnte Streuung im Modell aufzeigenAnpassungsstatistik (Chi-Quadrat-Test) könnte Streuung im Modell aufzeigen
F: Beinhaltet GLMM verallgemeinerte additive Modelle?
A: Nein, derzeit nicht.
Ressourcen
