混合モデルは、複数のランダム変動要因（ブロック化、分割プロットなど）を含むデータの分析における標準的な手法です。線形混合モデル（LMM）は、応答変数が連続的で境界がないことを前提としています。応答変数が離散的なカウント、二値応答、またはy/nで表される割合である場合は、一般化線形混合モデル（GLMM）を使用してください。
以下の方法をご覧ください：
- GLMMの基本を理解する
- （動画時間 約23:40）最初の例から理解を深め、質疑応答を聞く - SAS for Mixed Models (2018)、例11.5、Beitler & Landis ( 生体認証 、1985)より
- 複数施設での臨床試験
- 8つのクリニック、2つの治療法：「CNTL」と「DRUG」
- クリニックjで治療iに割り当てられたn_ij人の患者
- 応答変数 y_ij は、良好な転帰を示した患者数です。
- 目的：「薬剤」は良好な結果の確率を高めるか、もしそうなら、どの程度高めるか？
- (ビデオ時間 ~48:40) 2 番目の例の Q&A を理解して聞く - from混合モデルのためのSAS（2018年版）例 12.3
- 複数ソース、ランダム係数回帰
- 8ロット
- 各ロットのサンプルに適用された仕上げ処理の量 X_1=0、X_2=2、X_3=4、… X_6=10
- 応答変数 y_ij は、ロットj 、数量 i の完成品における異常な微小部位の数（離散カウント）です。
- 目的：
- 仕上げ処理量の増加が異常微小部位数に及ぼす影響を推定する
- 線形回帰による上記の推定値
- 予想される異常微小部位数が1以下となるように、仕上げ処理に必要な量を決定する。
Elizabeth（ @eclaassen）とJian Cao （@jiancao）が質問に答え、JMPの将来のバージョンでGLMMを強化する計画について議論します。
Q: JMP Pro 17には、推定値と信頼区間を逆変換するためのリンクオプションはありますか？
A：はい、それはデモでも確認できます。
Q：もし過分散または過小分散の兆候が見られた場合はどうすればよいでしょうか？
A: 分散不足の問題はこれまで発生していないので、特に心配していません。分散過多の場合は、モデルを定義するためにANOVAプロセスを実行した後もまだ存在する項がモデルに含まれていないことが原因であることが多いです。その場合、別の分布を検討する必要があるかもしれません。あるいは、二項分布ではなく、ゼロ過剰二項分布などである可能性もあるため、それらを考慮に入れる必要があります。
Fit Statistics Chi Square Might Identify Dispersion in Model適合統計量カイ二乗はモデルのばらつきを特定する可能性がある適合統計量カイ二乗はモデルのばらつきを特定する可能性がある
Q: GLMMには一般化加法モデルが含まれますか？
A：いいえ、今のところは。
リソース
