La modellazione mista è stata lo standard per l'analisi di dati con più di una fonte di variazione casuale (blocchi, parcelle suddivise, ecc.). Il modello lineare misto (LMM) presuppone che la risposta sia continua e senza limiti. Se la risposta è un conteggio discreto, una risposta binaria o una proporzione in termini di sì/no, utilizzare il modello lineare misto generalizzato (GLMM).
Scopri come:
- Comprendere i principi di base del GLMM
- (Durata del video ~23:40) Comprendere e ascoltare le domande e risposte dal primo esempio - da SAS per modelli misti (2018), Esempio 11.5; Beitler & Landis ( Biometria , 1985)
- Studio clinico multicentrico
- 8 cliniche, due trattamenti: “CONTROLLO” e “FARMACO”
- n_ij pazienti assegnati al trattamento i presso la clinica j
- La variabile di risposta y_ij è il numero di pazienti con un esito favorevole
- Obiettivo: il farmaco aumenta la probabilità di un esito favorevole e, in caso affermativo, in che misura?
- (Durata del video ~48:40) Comprendere e ascoltare le domande e risposte dal secondo esempio - da SAS per modello misti (2018), Esempio 12.3
- Regressione a coefficienti casuali multi-sorgente
- 8 lotti
- Quantità X_1=0, X_2=2, X_3=4,… X_6=10 di trattamento di finitura applicato ai campioni di ciascun lotto
- La variabile di risposta y_ij è il numero di micrositi aberranti sul prodotto finito per quantità i, lotto j – conteggio discreto
- Obiettivi:
- stimare l'effetto dell'aumento della quantità di trattamento di finitura sul conteggio dei micrositi aberranti
- stima di cui sopra tramite regressione lineare
- determinare la quantità di trattamento di finitura necessaria per garantire che il numero previsto di micro-siti aberranti sia ≤ 1
Elizabeth (@eclaassen) e Jian Cao (@jiancao) rispondono alle domande e discutono i piani per migliorare GLMM nelle future versioni di JMP.
JMP Pro 17 dispone dell'opzione di collegamento per invertire le stime e gli intervalli di confidenza?
A: Sì, e lo vediamo nella demo.
Cosa succede se si riscontrano prove di sovradispersione o sottodispersione?
A: Non ho riscontrato problemi di sottodispersione, quindi non è una questione che ci preoccupa particolarmente. Per quanto riguarda la sovradispersione, spesso si tratta di un termine mancante nel modello che dobbiamo includere se esiste ancora dopo aver eseguito il processo ANOVA per definire il nostro modello. Quindi forse dovremmo considerare un'altra distribuzione. Oppure potrebbe non essere binomiale e potrebbe essere una binomiale con inflazione di zeri, o qualcosa del genere, e quindi dobbiamo tenerne conto.
Fit Statistics Chi Square Might Identify Dispersion in ModelLe statistiche di adattamento del test Chi quadrato potrebbero identificare la dispersione nel modello.Le statistiche di adattamento del test Chi quadrato potrebbero identificare la dispersione nel modello.
I modelli GLMM includono i modelli additivi generalizzati?
A: No, non al momento.
Risorse
