846154_it-IT

liliconcom

JMP per modelli misti - Capitolo 1 del libro

Questo riassunto è tratto da JMP for Mixed Models di Ruth Hummel, Elizabeth Claassen e Russell Wolfinger. Copyright 2021, SAS Institute Inc., Cary, NC, USA. Tutti i diritti riservati. Riprodotto con l'autorizzazione di SAS Institute Inc., Cary, NC.

Scarica il Capitolo 1 per saperne di più.

I modelli misti sono ora il metodo di scelta principale per l'analisi dei dati sperimentali. Perché? Sono probabilmente il modo più diretto e potente per gestire osservazioni correlate in esperimenti progettati. Andando ben oltre i modelli lineari standard, i modelli misti consentono di fare inferenze accurate e precise sui propri esperimenti e di acquisire una comprensione più approfondita delle fonti di segnale e rumore nel sistema in esame. Effetti fissi e casuali ben formati si generalizzano bene e aiutano a prendere le migliori decisioni basate sui dati.

JMP per modelli misti riunisce due delle più forti tradizioni nel software SAS: i modelli misti e JMP. La rivoluzionaria filosofia di JMP di stretta integrazione di statistiche con grafici dinamici è un ambiente ideale in cui apprendere e applicare modelli misti, noti anche come modelli lineari gerarchici o multilivello. Se sei uno scienziato o un ingegnere, i metodi descritti qui possono rivoluzionare il modo in cui analizzi i dati sperimentali senza la necessità di scrivere codice.

All'interno troverete una ricca raccolta di esempi e un approccio passo dopo passo alla padronanza del modello misto. Gli argomenti includono:

• Imparare a riconoscere, impostare e interpretare in modo appropriato gli effetti fissi e casuali
• Estensione dell'analisi della varianza (ANOVA) e della regressione lineare a numerosi modelli misti
• Comprendere come funzionano i gradi di libertà utilizzando Skeleton ANOVA
• Analisi di modelli a blocchi randomizzati, a plot diviso, longitudinali e a misure ripetute
• Introduzione di metodi più avanzati come la covarianza spaziale e i modelli misti lineari generalizzati
• Simulazione di modelli misti per valutare la potenza e altre importanti caratteristiche di campionamento
• Fornire un quadro solido per comprendere la modellazione statistica in generale
• Migliorare la prospettiva sui dilemmi moderni relativi ai metodi bayesiani, ai valori p e all'inferenza causale.

Analisi e modellazione dei dati di baseProgettazione degli esperimentiRe: JMP per modelli misti - Capitolo 1 del libro

Allora, ho una domanda controversa per voi ragazzi.

Sto eseguendo modelli misti (per essere più precisi, misurazioni ripetute nel campo animale - @russ_wolfinger conosce un po' l'argomento).

Ho dati normali e dati non parametrici per questa prova. Quindi, modello misto e GLMM con un'interazione ed effetti casuali.

Dopo aver eseguito i modelli, ottengo le medie e gli LSMeans. Quando faccio il test di Tukey, si basa sugli LSMeans; tuttavia, quando faccio un graph builder, è la media.

Poi c'è il problema enorme che si verifica quando eseguiamo un modello di Poisson: i conteggi delle celle in cui le mie medie LS sono 10 volte inferiori alle mie medie e le stime sono più vicine alle medie ma non uguali.

Potresti aiutarmi a colmare la mia ignoranza sui modelli o sulle statistiche? Qual è la risposta corretta? E come spiegarla in modo logico?