Cette présentation technique a été donnée par Elizabeth Claassen, développeuse statistique JMP et co-auteure de l'ouvrage « JMP for Mixed Models for JMP ». Les données utilisées lors de la présentation sont disponibles au téléchargement. La vidéo dure plus de 90 minutes et comprend des séances de questions-réponses.
Les modèles mixtes constituent l'une des méthodes les plus efficaces pour traiter les observations corrélées dans les plans d'expériences. Ils sont souvent désignés par d'autres appellations, telles que modèles de blocage, modèles à composantes de variance, plans emboîtés et en parcelles divisées, modèles linéaires hiérarchiques, modèles multiniveaux, modèles bayésiens empiriques, modèles à mesures répétées, modèles de structure de covariance et modèles à coefficients aléatoires.
Dépassant largement les capacités des modèles linéaires classiques, les modèles mixtes permettent de tirer des conclusions précises et exactes de vos données et de mieux comprendre les sources de signal et de bruit au sein du système étudié. Des effets fixes et aléatoires bien définis se généralisent efficacement et vous aident à prendre les décisions les plus pertinentes, fondées sur vos données.
- Découvrez la logique et les techniques qui sous-tendent les capacités de modèles mixtes de JMP, voyez quand et comment utiliser les modèles mixtes, apprenez à reconnaître, configurer et interpréter les effets fixes et aléatoires et voyez comment étendre l'analyse de variance (ANOVA) et la régression linéaire à de nombreux modèles mixtes.
- Découvrez comment comprendre et utiliser les degrés de liberté : analysez les plans en blocs randomisés, les plans en parcelles divisées et les modèles à coefficients aléatoires ; et abordez les dilemmes modernes liés aux méthodes bayésiennes et aux valeurs p.
- Définitions
- Les effets fixes sont des facteurs/niveaux exacts, et vous souhaitez faire une inférence pour une observation future à partir de ces niveaux précis.
- Les effets aléatoires sont utilisés lorsque les niveaux constituent un échantillon issu d'une population plus large, et que l'on souhaite faire des inférences à l'ensemble de la population et non seulement à ces niveaux spécifiques, et/ou lorsque l'on s'intéresse principalement à expliquer la variabilité provenant de cet effet plutôt qu'à des comparaisons par paires, par exemple.
- Les modèles mixtes intègrent des effets aléatoires et fixes.
- Les modèles mixtes sont utiles pour gérer les effets aléatoires et, avec un modèle mixte, nous pourrions obtenir des résultats différents pour les estimations, les intervalles de confiance et les comparaisons par paires par rapport à un modèle à effets fixes uniquement.
- Les LSMeans ne correspondent pas nécessairement aux moyennes arithmétiques. En cas de données manquantes ou déséquilibrées, il est nécessaire d'utiliser la méthode REML pour une meilleure estimation des LSMeans.
- En cas de données manquantes ou de déséquilibre, les comparaisons par paires pour les autres effets fixes sont également affectées par le choix de modéliser un effet comme aléatoire.
- Ne vous fiez pas uniquement à la valeur p – rappelez-vous que p=0,049 et p=0,050 sont fondamentalement la même chose.
Une section questions-réponses est intégrée tout au long du texte. Voici quelques exemples de questions posées :
- Que signifie la p-valeur de Wald dans le tableau ANOVA des données de Bond ? La statistique de test de Wald est utilisée pour calculer la p-valeur (contrairement, par exemple, à la statistique F). Nous présentons la statistique de test de Wald, mais nous ne l'utilisons généralement pas pour évaluer la significativité.
- Dans cet exemple de bloc, ne décrivez-vous pas une situation imbriquée ? Ce comportement se produirait dans des modèles imbriqués, mais il ne s’agit pas d’un exemple imbriqué puisque le traitement n’est pas spécifique au bloc.
-
Pouvez-vous donner un exemple de plan en blocs « gravement » incomplet ? Où cela se produit-il en pratique ? Cela peut arriver lorsqu'un bloc présente un taux d'abandon élevé dû à l'attrition ou à des erreurs de traitement entraînant des données manquantes. Par exemple, lorsqu'on utilise différents types d'équipements de traitement et qu'un dysfonctionnement provoque des données manquantes pour l'un d'eux, en cas de déséquilibre, ou encore dans le cadre d'études où l'échantillonnage provient de différents groupes et où le taux d'attrition varie d'un groupe à l'autre. Un autre exemple est celui d'un test de dégustation où certaines personnes goûtent certains aliments et d'autres d'autres.
Learn how to determine Fixed and Random blocks/effectsApprenez à déterminer les blocs/effets fixes et aléatoires.Apprenez à déterminer les blocs/effets fixes et aléatoires.
Ressources:
