混合模型一直是分析具有多个随机变异来源（例如区组设计、裂区设计等）数据的标准方法。线性混合模型 (LMM) 假设响应变量是连续的且无边界。如果您的响应变量是离散计数、二元响应或以 y/n 表示的比例，则应使用广义线性混合模型 (GLMM)。
看看如何：
- 理解广义线性混合模型（GLMM）的基础知识
- （视频时长约 23:40）理解并聆听第一个示例的问答——摘自《SAS 混合模型》（2018 年版）示例 11.5；Beitler 和 Landis（ 《生物统计学》 ，1985 年版）
- 多地点临床试验
- 8家诊所，两种治疗方案：“CNTL”和“DRUG”
- n_ij 患者被分配到j诊所的治疗方案i。
- 响应变量 y_ij 为预后良好的患者人数。
- 目的：药物是否能提高获得良好结果的概率？如果能，提高多少？
- （视频时间~48:40）理解并聆听第二个示例的问答 - 来自SAS混合模型（2018）示例12.3
- 多源随机系数回归
- 8 块
- 对每个批次的样品进行表面处理，处理量分别为 X_1=0、X_2=2、X_3=4、…、X_6=10。
- 响应变量 y_ij 表示第 i 批第j号成品上的异常微位点数量——离散计数
- 目标：
- 评估增加后处理量对异常微位点计数的影响
- 以上估算值是通过线性回归得到的
- 确定所需的精修处理量，以确保预期异常微孔数量≤1
Elizabeth @eclaassen和 Jian Cao @jiancao回答了整个过程中的问题，并讨论了在 JMP 的未来版本中增强 GLMM 的计划。
问：JMP Pro 17 是否有链接选项可以反向转换估计值和置信区间？
A：是的，我们在演示中也看到了这一点。
问：如果发现存在过度离散或离散不足的迹象该怎么办？
答：我没有遇到离散度不足的问题，所以我们并不特别担心这个问题。至于离散度过高，通常是因为模型中缺少某个项，而我们需要在通过方差分析确定模型后，如果该项仍然存在，就需要将其纳入模型。那么，或许我们应该考虑另一种分布。或者，它可能不是二项分布，而是零膨胀二项分布，或者类似的情况，所以我们必须将这些因素考虑在内。
Fit Statistics Chi Square Might Identify Dispersion in Model拟合统计量卡方检验可能有助于识别模型中的离散程度拟合统计量卡方检验可能有助于识别模型中的离散程度
问：GLMM是否包含广义加性模型？
A：不，目前没有。
资源
