Élisabeth Claassen , PhD, JMP Research Statisticienne Testeuse, SAS
Chris Gotwalt , PhD, JMP Directeur de la recherche et du développement statistiques, SAS
L'ajout de la fonctionnalité « Modèle mixte » de Fit Model (Fit Mixed) a considérablement amélioré la capacité de JMP Pro à analyser des données longitudinales constituées de mesures répétées au fil du temps. L'utilité de la plateforme dans des domaines aussi variés que les sciences sociales, la fiabilité des produits et l'agriculture n'est peut-être pas encore pleinement appréciée. La même méthodologie sous-jacente permet de modéliser des courbes de croissance/dégradation individuelles ou des unités expérimentales hiérarchisées, comme des élèves au sein d'une école ou des plantes individuelles au sein d'une parcelle. Les méthodes de modélisation des effets au fil du temps ayant été développées séparément dans plusieurs disciplines, il peut exister d'importantes différences terminologiques pour des modèles pourtant identiques. Par exemple, les modèles à coefficients aléatoires, les modèles linéaires hiérarchiques (HLM) et les modèles bayésiens hiérarchiques sont essentiellement les mêmes modèles, et tous peuvent être ajustés avec Fit Mixed dans JMP Pro 11 et JMP Pro 12. Dans cette présentation, nous démontrons les capacités de Fit Mixed pour les modèles à coefficients aléatoires à l'aide d'exemples tirés de l'industrie pharmaceutique et des sciences sociales. Cela inclut la réalisation de la « traduction » de SAS PROC MIXED pour les utilisateurs JMP habitués à adapter des modèles mixtes dans SAS.
