混合模型一直是分析具有多個隨機變異來源（例如區組設計、裂區設計等）資料的標準方法。線性混合模型 (LMM) 假設反應變數是連續且無邊界的。如果您的反應變數是離散計數、二元反應或以 y/n 表示的比例，則應使用廣義線性混合模型 (GLMM)。
看看如何：
- 理解廣義線性混合模型（GLMM）的基礎知識
- （影片長度約 23:40）理解並聆聽第一個範例的問答－摘自《SAS 混合模型》（2018 年版）範例 11.5；Beitler 和 Landis（ 《生物統計學》 ，1985 年版）
- 多地點臨床試驗
- 8家診所，兩種治療方案：“CNTL”和“DRUG”
- n_ij 名患者被分配到診所j的治療方案i。
- 反應變數 y_ij 為預後良好的患者人數。
- 目的：藥物是否能提高獲得良好結果的機率？如果能，提高多少？
- （影片時間~48:40）理解並聆聽第二個範例的問答 - 來自SAS混合模型（2018）範例12.3
- 多源隨機係數迴歸
- 8 塊
- 將每個批次的樣品進行表面處理，處理量分別為 X_1=0、X_2=2、X_3=4、…、X_6=10。
- 反應變數 y_ij 表示第 i 批第j號成品上的異常微位點數量－離散計數
- 目標：
- 評估增加後處理量對異常微位點計數的影響
- 以上估算值是透過線性迴歸得到的
- 確定所需的精修處理量，以確保預期異常微孔數量≤1
Elizabeth @eclaassen和 Jian Cao @jiancao回答了整個過程中的問題，並討論了在 JMP 的未來版本中增強 GLMM 的計劃。
Q：JMP Pro 17 是否有連結選項可以反向轉換估計值和信賴區間？
A：是的，我們在演示中也看到了這一點。
Q：如果發現有過度離散或離散不足的跡象該怎麼辦？
答：我沒有遇到離散度不足的問題，所以我們並不特別擔心這個問題。至於離散度過高，通常是因為模型中缺少某個項，而我們需要在透過變異數分析確定模型後，如果該項仍然存在，就需要將其納入模型。那麼，或許我們應該考慮另一種分佈。或者，它可能不是二項分佈，而是零膨脹二項分佈，或類似的情況，所以我們必須將這些因素納入考量。
Fit Statistics Chi Square Might Identify Dispersion in Model擬合統計量卡方檢定可能有助於識別模型中的離散程度擬合統計量卡方檢定可能有助於識別模型中的離散程度
Q：GLMM是否包含廣義加性模型？
A：不，目前沒有。
資源
