本次技術展示由JMP統計開發人員、 JMP混合模型軟體合著者Elizabeth Claassen主講。演示中使用了書中的數據，您可以下載並使用這些數據。影片長度超過90分鐘，期間穿插了問答環節。
混合模型是處理實驗設計中相關觀測值最有效的方法之一。它們通常還有其他名稱，包括區組模型、變異數分量模型、嵌套和裂區設計、分層線性模型、多層模型、經驗貝葉斯模型、重複測量模型、協方差結構模型和隨機係數模型。
混合模型遠超標準線性模型，能夠幫助您對資料進行準確、精確的推斷，並深入了解所研究系統中訊號和雜訊的來源。結構良好的固定效應和隨機效應具有良好的泛化能力，有助於您做出最佳的資料驅動決策。
- 了解 JMP 混合模型功能背後的原理和技術，了解何時以及如何使用混合模型，學習如何識別、設定和解釋固定效應和隨機效應，以及如何將變異數分析 (ANOVA) 和線性迴歸擴展到多種混合模型設計。
- 了解如何理解和使用自由度：分析隨機區組、裂區設計和隨機係數模型；並解決圍繞貝葉斯方法和 p 值的現代困境。
- 定義
- 固定效應是指精確的因子/水平，您希望根據這些水平對未來的觀測值進行推論。
- 隨機效應適用於以下情況：樣本水平是更大總體中的一個樣本，而你希望推斷的是更大總體而非僅僅是這些特定水平；和/或當你主要感興趣的是解釋由該效應引起的變異性，而不是進行成對比較等情況時。
- 混合模型結合了隨機效應和固定效應。
- 混合模型對於處理隨機效應非常有用，與僅使用固定效應的模型相比，使用混合模型可能會得到不同的估計值、信賴區間和成對比較結果。
- 最小平方法平均值不一定是算術平均值。缺失資料/資料不平衡時，需要使用限制性最大似然法（REML）來更好地估計最小二乘平均值。
- 如果存在缺失資料/不平衡，則其他固定效應的配對比較也會受到將效應建模為隨機效應的選擇的影響。
- 不要只依賴 p 值——記住 p=0.049 和 p=0.050 本質上是相同的。
書中穿插了問答環節。部分被問到的問題包括：
- 在Bond資料ANOVA表中，Wald p值代表什麼？ Wald檢定統計量用於計算p值（而非例如F統計量）。我們展示了Wald檢定統計量，但通常不用它來評估…
- 就這個模組範例而言，您描述的難道不是一個嵌套的情況嗎？這種行為確實會在巢狀模型中出現，但這並非巢狀範例，因為處理方式並非模組獨有。
-
您能否舉例說明一下這種「糟糕」的不完全區組設計，以及它們在實踐中通常出現在哪些地方？這種情況可能發生在因損耗或處理過程導致區組內出現大量缺失值時。例如，當您使用多種不同的處理設備，而其中一台設備發生故障導致資料缺失時；或當樣本量不平衡時；又或在人群研究中，您從不同群體中抽取樣本，而不同群體的損耗程度也不同時。另一個例子是味覺測試，有些人品嚐某些食物，而有些人則品嚐其他食物。
Learn how to determine Fixed and Random blocks/effects學習如何判斷固定和隨機的區塊/效應學習如何判斷固定和隨機的區塊/效應
資源：
