혼합 모델링은 블록화, 분할 플롯 등 여러 요인이 복합적으로 작용하는 데이터를 분석하는 데 표준적으로 사용되어 왔습니다. 선형 혼합 모델(LMM)은 반응 변수가 범위가 없는 연속형 변수라고 가정합니다. 반응 변수가 이산형 계수, 이진 변수 또는 y/n 형태의 비율인 경우에는 일반화 선형 혼합 모델(GLMM)을 사용해야 합니다.
방법을 알아보세요:
- GLMM의 기본 사항을 이해하세요
- (영상 길이 약 23:40) SAS for Mixed Models(2018), 예제 11.5의 첫 번째 예제에 대한 질의응답을 이해하고 들어보세요. (Beitler & Landis, 생체 인식 , 1985)
- 다지역 임상 시험
- 8개 클리닉, 2가지 치료법: "CNTL"과 "DRUG"
- j번 진료소에서 치료 i 에 배정된 환자 n_ij명
- 반응 변수 y_ij는 양호한 결과를 보인 환자 수입니다.
- 목표: "약물"이 긍정적인 결과의 확률을 높이는가? 만약 그렇다면, 얼마나 높이는가?
- (영상 길이 약 48분 40초) 두 번째 예제에 대한 질의응답을 이해하고 들어보세요 - 혼합 모형용 SAS(2018), 예제 12.3
- 다중 소스, 무작위 계수 회귀
- 8개 필지
- 각 로트의 샘플에 적용된 마무리 처리량 X_1=0, X_2=2, X_3=4,… X_6=10
- 반응 변수 y_ij는 수량 i, 로트 j 에 대한 완제품의 비정상 미세 부위 수(이산 계수)입니다.
- 목표:
- 마무리 처리량 증가가 비정상 미세 부위 수에 미치는 영향 추정
- 선형 회귀를 통해 위 추정치를 구했습니다.
- 예상되는 비정상 미세 병변 개수가 1개 이하가 되도록 필요한 마무리 처리량을 결정합니다.
엘리자베스( @eclaassen) 와 지안 차오 (@jiancao) 가 질문에 답변하고 향후 JMP 버전에서 GLMM을 개선하기 위한 계획에 대해 논의합니다.
질문: JMP Pro 17에는 추정치와 신뢰구간을 역변환하는 링크 옵션이 있습니까?
A: 네, 데모에서도 확인하실 수 있습니다.
질문: 과분산이나 과소분산의 증거를 발견하게 되면 어떻게 해야 할까요?
A: 저는 분산 부족 문제는 겪어본 적이 없어서 특별히 걱정되는 부분은 아닙니다. 분산 과다의 경우, 모델을 정의하기 위해 ANOVA 분석을 수행한 후에도 여전히 존재하는 항이 누락된 경우가 종종 있습니다. 그런 경우에는 다른 분포를 고려해야 할 수도 있고, 이항 분포가 아니라 영과잉 이항 분포 또는 이와 유사한 분포일 수도 있으므로 이러한 점을 고려해야 합니다.
Fit Statistics Chi Square Might Identify Dispersion in Model적합도 통계 카이제곱 검정은 모델의 분산을 파악하는 데 도움이 될 수 있습니다.적합도 통계 카이제곱 검정은 모델의 분산을 파악하는 데 도움이 될 수 있습니다.
질문: GLMM에는 일반화 가법 모델이 포함되나요?
A: 아니요, 현재는 아닙니다.
자원
