846154_es-ES

liliconcom

JMP para modelos mixtos - Capítulo 1 del libro

Este resumen es un extracto de JMP for Mixed Models de Ruth Hummel, Elizabeth Claassen y Russell Wolfinger. Copyright 2021, SAS Institute Inc., Cary, NC, EE. UU. Todos los derechos reservados. Reproducido con autorización de SAS Institute Inc., Cary, NC.

Descargue el Capítulo 1 para obtener más información.

Los modelos mixtos son actualmente el método de elección principal para analizar datos experimentales. ¿Por qué? Se podría decir que son la forma más sencilla y eficaz de manejar observaciones correlacionadas en experimentos diseñados. Los modelos mixtos van mucho más allá de los modelos lineales estándar y permiten realizar inferencias precisas y exactas sobre los experimentos y obtener una comprensión más profunda de las fuentes de señal y ruido en el sistema en estudio. Los efectos fijos y aleatorios bien formados se generalizan bien y ayudan a tomar las mejores decisiones basadas en datos.

JMP para modelos mixtos reúne dos de las tradiciones más sólidas del software SAS: los modelos mixtos y JMP. La innovadora filosofía de JMP de integración estrecha de estadísticas con gráficos dinámicos es un entorno ideal en el que aprender y aplicar modelos mixtos, también conocidos como modelos jerárquicos lineales o multinivel. Si usted es un científico o ingeniero, los métodos descritos en este documento pueden revolucionar la forma en que analiza datos experimentales sin necesidad de escribir código.

En el interior encontrará una amplia colección de ejemplos y un enfoque paso a paso para dominar el modelo mixto. Los temas incluyen:

• Aprender a reconocer, configurar e interpretar adecuadamente los efectos fijos y aleatorios.
• Ampliación del análisis de varianza (ANOVA) y la regresión lineal a numerosos diseños de modelos mixtos
• Comprender cómo funcionan los grados de libertad utilizando Skeleton ANOVA
• Análisis de diseños de bloques aleatorios, parcelas divididas, longitudinales y de medidas repetidas
• Introducción de métodos más avanzados como la covarianza espacial y los modelos lineales mixtos generalizados
• Simulación de modelos mixtos para evaluar la potencia y otras características de muestreo importantes
• Proporcionar un marco sólido para comprender el modelado estadístico en general.
• Mejorar la perspectiva sobre los dilemas modernos en torno a los métodos bayesianos, los valores p y la inferencia causal.

Análisis y modelado de datos básicosDiseño de experimentosRe: JMP para modelos mixtos - Capítulo 1 del libro

Entonces, tengo una pregunta polémica para ustedes.

Estoy ejecutando modelos mixtos (mediciones repetidas en el campo animal para ser más específico; @russ_wolfinger conoce un poco el tema).

Dispongo de datos normales y no paramétricos para este ensayo. Por lo tanto, se trata de un modelo mixto y un modelo de interacción lineal (GLMM) con efectos aleatorios.

Tras ejecutar los modelos, obtengo la media y la media mínima. Al realizar la prueba de Tukey, esta se basa en la media mínima; sin embargo, al crear un generador de gráficos, se basa en la media.

Entonces el gran problema surge cuando ejecutamos un modelo de Poisson: recuentos de celdas, donde mis medias mínimas son 10 veces menores que mis medias y las estimaciones están más cerca de las medias, pero no son iguales.

¿Podrías por favor ayudarme con mi ignorancia sobre los modelos o en las estadísticas... Cuál es el correcto? ¿Y cómo explicarlo de forma lógica?