Diese technische Präsentation wurde von Elizabeth Claassen, JMP-Statistikentwicklerin und Mitautorin von „JMP für gemischte Modelle für JMP“, gehalten. Die in der Präsentation verwendeten Daten stammen aus dem Buch und stehen Ihnen zum Download und zur Verwendung zur Verfügung. Das Video hat eine Länge von über 90 Minuten und enthält durchgehend Fragen.
Gemischte Modelle gehören zu den leistungsfähigsten Methoden, um korrelierte Beobachtungen in geplanten Experimenten zu analysieren. Sie sind oft unter anderen Bezeichnungen bekannt, darunter Blockmodelle, Varianzkomponentenmodelle, Nested- und Split-Plot-Designs, hierarchische lineare Modelle, Mehrebenenmodelle, empirische Bayes-Modelle, Modelle mit wiederholten Messungen, Kovarianzstrukturmodelle und Modelle mit zufälligen Koeffizienten.
Über herkömmliche lineare Modelle hinaus ermöglichen gemischte Modelle präzise und genaue Schlussfolgerungen aus Ihren Daten und ein tieferes Verständnis der Signal- und Rauschquellen im untersuchten System. Gut definierte feste und zufällige Effekte lassen sich gut generalisieren und unterstützen Sie bei optimalen datengestützten Entscheidungen.
- Lernen Sie die Grundlagen und Techniken der Mixed-Model-Funktionen von JMP kennen, erfahren Sie, wann und wie Sie Mixed Models einsetzen, lernen Sie, wie Sie feste und zufällige Effekte erkennen, einrichten und interpretieren, und sehen Sie, wie Sie die Varianzanalyse (ANOVA) und die lineare Regression auf zahlreiche Mixed-Model-Designs erweitern können.
- Lernen Sie, wie Sie Freiheitsgrade verstehen und anwenden: Analysieren Sie randomisierte Block-, Split-Plot-Designs und Modelle mit zufälligen Koeffizienten; und gehen Sie auf moderne Dilemmata im Zusammenhang mit Bayes'schen Methoden und p-Werten ein.
- Definitionen
- Fixe Effekte sind exakte Faktoren/Stufen, und Sie möchten aus genau diesen Stufen Rückschlüsse für eine zukünftige Beobachtung ziehen.
- Zufallseffekte kommen zum Einsatz, wenn die Stufen eine Stichprobe aus einer größeren Population darstellen und man Rückschlüsse auf die gesamte Population und nicht nur auf diese spezifischen Stufen ziehen möchte, und/oder wenn man primär daran interessiert ist, die durch diesen Effekt hervorgerufene Variabilität zu erklären, anstatt beispielsweise paarweise Vergleiche anzustellen.
- Gemischte Modelle berücksichtigen Zufalls- und Fixeffekte.
- Gemischte Modelle sind nützlich für die Behandlung von Zufallseffekten, und mit einem gemischten Modell könnten wir möglicherweise andere Ergebnisse für die Schätzungen, die Konfidenzintervalle und die paarweisen Vergleiche im Vergleich zu einem Modell mit nur festen Effekten erhalten.
- LS-Mittelwerte entsprechen nicht unbedingt den arithmetischen Mitteln. Fehlende Daten oder Ungleichgewichte erfordern REML, um die LS-Mittelwerte besser zu schätzen.
- Bei fehlenden Daten/Ungleichgewicht werden die paarweisen Vergleiche für die anderen festen Effekte ebenfalls durch die Entscheidung beeinflusst, einen Effekt als zufällig zu modellieren.
- Verlassen Sie sich nicht nur auf den p-Wert – denken Sie daran, dass p=0,049 und p=0,050 im Grunde dasselbe bedeuten.
Im gesamten Text ist ein Frage-und-Antwort-Bereich enthalten. Einige der aufgetauchten Fragen waren:
- Was bedeutet der Wald-p-Wert in der ANOVA-Tabelle der Bond-Daten? Die Wald-Teststatistik wird zur Berechnung des p-Werts verwendet (im Gegensatz etwa zur F-Statistik). Wir zeigen die Wald-Teststatistik an, verwenden sie aber üblicherweise nicht zur Auswertung der Ergebnisse.
- Beschreiben Sie in diesem Blockbeispiel nicht eine verschachtelte Situation? Dieses Verhalten würde in verschachtelten Modellen auftreten, aber dies ist kein verschachteltes Beispiel, da die Behandlung nicht blockspezifisch ist.
-
Können Sie ein Beispiel für solch ein „schlecht“ unvollständiges Blockdesign nennen? Wo treten sie in der Praxis auf? Dies kann vorkommen, wenn es in einem Block aufgrund von Ausfällen oder Verarbeitungsfehlern zu großen Ausfällen kommt, die zu fehlenden Werten führen. Beispielsweise, wenn viele verschiedene Verarbeitungsgeräte verwendet werden und bei einem Gerät ein Fehler auftritt, der zu fehlenden Werten führt, bei Ungleichgewichten oder in Studien mit unterschiedlichen Teilnehmergruppen, bei denen die Ausfälle je nach Gruppe variieren. Ein weiteres Beispiel ist ein Geschmackstest, bei dem verschiedene Personen unterschiedliche Substanzen verkosten.
Learn how to determine Fixed and Random blocks/effectsLerne, wie du feste und zufällige Blöcke/Effekte bestimmst.Lerne, wie du feste und zufällige Blöcke/Effekte bestimmst.
Ressourcen:
