El modelado mixto ha sido el método estándar para analizar datos con más de una fuente de variación aleatoria (bloqueo, parcelas divididas, etc.). El modelo lineal mixto (MLM) asume que la respuesta es continua y sin límites. Si la respuesta es un conteo discreto, una respuesta binaria o una proporción en términos de sí/no, utilice el modelo lineal generalizado mixto (MLGM).
Vea cómo:
- Comprender los fundamentos de GLMM
- (Duración del vídeo: ~23:40) Comprender y escuchar las preguntas y respuestas del primer ejemplo, extraído de SAS para modelos mixtos (2018), Ejemplo 11.5; Beitler y Landis ( Biometría , 1985).
- Ensayo clínico multicéntrico
- 8 clínicas, dos tratamientos: “CNTL” y “DRUG”
- n_ij pacientes asignados al tratamiento i en la clínica j
- La variable de respuesta y_ij es el número de pacientes con un resultado favorable.
- Objetivo: ¿Aumenta el uso del fármaco la probabilidad de un resultado favorable y, de ser así, en qué medida?
- (Duración del vídeo: ~48:40) Comprender y escuchar las preguntas y respuestas del segundo ejemplo, extraído de SAS para modelos mixtos (2018), Ejemplo 12.3.
- Regresión con coeficientes aleatorios de múltiples fuentes
- 8 lotes
- Cantidades X_1=0, X_2=2, X_3=4,… X_6=10 de tratamiento de acabado aplicado a muestras de cada lote
- La variable de respuesta y_ij es el número de micrositios aberrantes en el producto terminado para la cantidad i, lote j – recuento discreto
- Objetivos:
- Estimar el efecto del aumento de la cantidad de tratamiento de acabado en el recuento de micrositios aberrantes.
- Estimación anterior mediante regresión lineal
- determinar la cantidad de tratamiento de acabado necesaria para asegurar que el recuento esperado de micrositios aberrantes sea ≤ 1
Elizabeth (@eclaassen) y Jian Cao (@jiancao ) responden preguntas a lo largo del texto y comentan los planes para mejorar GLMM en futuras versiones de JMP.
P: ¿JMP Pro 17 tiene la opción de vincular las estimaciones y los intervalos de confianza para realizar una transformación inversa?
A: Sí, y eso se ve en la demo.
P: ¿Qué ocurre si se detecta alguna evidencia de sobredispersión o subdispersión?
A: No he tenido problemas con la subdispersión, así que no es algo que nos preocupe especialmente. En cuanto a la sobredispersión, a menudo se debe a que falta un término en el modelo que debemos incluir si aún existe después de haber realizado el análisis de varianza (ANOVA) para definirlo. En ese caso, quizás debamos considerar otra distribución. O tal vez no sea binomial, sino una binomial con exceso de ceros, o algo similar, por lo que debemos tenerlo en cuenta.
Fit Statistics Chi Square Might Identify Dispersion in ModelLas estadísticas de ajuste Chi cuadrado podrían identificar la dispersión en el modelo.Las estadísticas de ajuste Chi cuadrado podrían identificar la dispersión en el modelo.
P: ¿GLMM incluye modelos aditivos generalizados?
R: No, actualmente no.
Recursos
