846154_de-DE

liliconcom

JMP für gemischte Modelle - Buchkapitel 1

Diese Zusammenfassung ist ein Auszug aus JMP for Mixed Models von Ruth Hummel, Elizabeth Claassen und Russell Wolfinger. Copyright 2021, SAS Institute Inc., Cary, NC, USA. Alle Rechte vorbehalten. Wiedergabe mit Genehmigung von SAS Institute Inc., Cary, NC.

Laden Sie Kapitel 1 herunter, um mehr zu erfahren.

Gemischte Modelle sind heute die gängige Methode zur Analyse experimenteller Daten. Warum? Sie sind wohl die direkteste und leistungsfähigste Methode, um korrelierte Beobachtungen in geplanten Experimenten zu verarbeiten. Gemischte Modelle gehen weit über Standardlinearmodelle hinaus und ermöglichen es Ihnen, genaue und präzise Schlussfolgerungen über Ihre Experimente zu ziehen und ein tieferes Verständnis der Signal- und Rauschquellen im untersuchten System zu erlangen. Gut geformte feste und zufällige Effekte lassen sich gut verallgemeinern und helfen Ihnen, die besten datengesteuerten Entscheidungen zu treffen.

JMP für gemischte Modelle vereint zwei der stärksten Traditionen der SAS-Software: gemischte Modelle und JMP. Die bahnbrechende Philosophie von JMP, Statistiken eng mit dynamischen Grafiken zu integrieren, ist ein ideales Umfeld, um gemischte Modelle, auch als hierarchische lineare oder mehrstufige Modelle bekannt, zu erlernen und anzuwenden. Wenn Sie Wissenschaftler oder Ingenieur sind, können die hier beschriebenen Methoden die Art und Weise revolutionieren, wie Sie experimentelle Daten analysieren, ohne dass Sie Code schreiben müssen.

Darin finden Sie eine umfangreiche Sammlung von Beispielen und eine schrittweise Anleitung zur Beherrschung gemischter Modelle. Zu den Themen gehören:

• Lernen, feste und zufällige Effekte richtig zu erkennen, einzurichten und zu interpretieren
• Erweiterung der Varianzanalyse (ANOVA) und der linearen Regression auf zahlreiche gemischte Modelldesigns
• Verstehen, wie Freiheitsgrade mit der Skeleton ANOVA funktionieren
• Analyse von randomisierten Block-, Split-Plot-, Längsschnitt- und Messwiederholungsdesigns
• Einführung fortgeschrittenerer Methoden wie räumliche Kovarianz und verallgemeinerte lineare Mischmodelle
• Simulation gemischter Modelle zur Bewertung der Leistung und anderer wichtiger Stichprobenmerkmale
• Bereitstellung eines soliden Rahmens zum Verständnis statistischer Modellierung im Allgemeinen
• Verbesserte Perspektive auf moderne Dilemmata rund um Bayessche Methoden, p-Werte und kausale Inferenz.

Grundlegende Datenanalyse und ModellierungVersuchsplanungBetreff: JMP für gemischte Modelle – Buchkapitel 1

Also, ich habe eine kontroverse Frage an euch, Leute.

Ich verwende gemischte Modelle (genauer gesagt wiederholte Messungen im Tierreich – @russ_wolfinger kennt sich ein wenig mit dem Thema aus).

Ich habe normale und nichtparametrische Daten für diesen Versuch. Also ein gemischtes Modell und GLMM mit einer Interaktion und zufälligen Effekten.

Nach dem Ausführen der Modelle erhalte ich die Mittelwerte und die LSMeans. Beim Tukey-Test basiert dieser auf den LSMeans; beim Graph-Builder hingegen auf den Mittelwerten.

Dann tritt das riesengroße Problem auf, wenn wir ein Poisson-Modell ausführen – Cels-Zählungen, bei denen meine LSmeans 10-mal kleiner sind als meine Mittelwerte und die Schätzungen näher an den Mittelwerten liegen, aber nicht gleich sind.

Können Sie mir bitte bei meiner Unwissenheit bezüglich der Modelle oder der Statistiken helfen ... Was ist richtig? Und wie kann ich das logisch erklären?