846154_fr-FR

liliconcom

JMP pour modèles mixtes - Chapitre 1 du livre

Ce résumé est extrait de JMP for Mixed Models de Ruth Hummel, Elizabeth Claassen et Russell Wolfinger. Copyright 2021, SAS Institute Inc., Cary, NC, États-Unis. Tous droits réservés. Reproduit avec l'autorisation de SAS Institute Inc., Cary, NC.

Téléchargez le chapitre 1 pour en savoir plus.

Les modèles mixtes sont désormais la méthode de choix pour l'analyse des données expérimentales. Pourquoi ? Ils constituent sans doute le moyen le plus simple et le plus puissant de traiter les observations corrélées dans les expériences planifiées. Bien au-delà des modèles linéaires standard, les modèles mixtes vous permettent de faire des inférences exactes et précises sur vos expériences et d'acquérir une compréhension plus approfondie des sources de signal et de bruit dans le système étudié. Les effets fixes et aléatoires bien formés se généralisent bien et vous aident à prendre les meilleures décisions basées sur les données.

JMP pour les modèles mixtes réunit deux des traditions les plus fortes du logiciel SAS : les modèles mixtes et JMP. La philosophie révolutionnaire de JMP, qui consiste à intégrer étroitement les statistiques aux graphiques dynamiques, constitue un environnement idéal pour apprendre et appliquer des modèles mixtes, également appelés modèles linéaires hiérarchiques ou multiniveaux. Si vous êtes scientifique ou ingénieur, les méthodes décrites ici peuvent révolutionner la façon dont vous analysez les données expérimentales sans avoir besoin d'écrire de code.

Vous y trouverez une riche collection d'exemples et une approche étape par étape pour maîtriser les modèles mixtes. Les sujets abordés sont les suivants :

• Apprendre à reconnaître, configurer et interpréter correctement les effets fixes et aléatoires
• Extension de l'analyse de la variance (ANOVA) et de la régression linéaire à de nombreux modèles mixtes
• Comprendre le fonctionnement des degrés de liberté à l'aide de Skeleton ANOVA
• Analyse des plans d'analyse en blocs randomisés, en parcelles divisées, longitudinaux et à mesures répétées
• Présentation de méthodes plus avancées telles que la covariance spatiale et les modèles mixtes linéaires généralisés
• Simulation de modèles mixtes pour évaluer la puissance et d’autres caractéristiques d’échantillonnage importantes
• Fournir un cadre solide pour comprendre la modélisation statistique en général
• Améliorer la perspective sur les dilemmes modernes autour des méthodes bayésiennes, des valeurs p et de l'inférence causale.

Analyse et modélisation de données de basePlan d'expériencesRe : JMP pour modèles mixtes – Chapitre 1 du livre

Alors, j’ai une question controversée pour vous les gars.

J'exécute des modèles mixtes (mesures répétées sur le terrain animal pour être plus précis - @russ_wolfinger connaît un peu le sujet).

Je dispose de données normales et non paramétriques pour cet essai. J'utilise donc un modèle mixte et un modèle GLMM avec interaction et effets aléatoires.

Après avoir exécuté les modèles, j'obtiens les moyennes et les moyennes des plus petites valeurs. Lors du test de Tukey, il est basé sur les moyennes des plus petites valeurs ; en revanche, lors de la création d'un graphique, il s'agit de la moyenne.

Ensuite, le problème énorme survient lorsque nous exécutons un modèle de Poisson - des comptages de cellules où mes moyennes LS sont 10 fois inférieures à mes moyennes et les estimations sont plus proches des moyennes mais pas les mêmes.

Pourriez-vous s'il vous plaît m'aider à surmonter mon ignorance sur les modèles ou dans les statistiques... Lequel est le bon ? et comment l'expliquer de manière logique ?