Elisabetta Claassen , PhD, JMP Research Statistician Tester, SAS
Chris Gotwalt , PhD, JMP Direttore della ricerca statistica e dello sviluppo, SAS
L'aggiunta della personalità Mixed Model di Fit Model (Fit Mixed) ha notevolmente ampliato la capacità di JMP Pro di analizzare dati longitudinali costituiti da misurazioni ripetute effettuate nel tempo. Forse non è ancora pienamente apprezzato quanto sia utile la piattaforma in un'ampia varietà di aree tematiche, tra cui scienze sociali, affidabilità dei prodotti e agricoltura. La stessa metodologia di base nella piattaforma può essere utilizzata per modellare singole curve di crescita/degrado o per modellare unità sperimentali organizzate in una gerarchia, come studenti all'interno di scuole o singole piante all'interno di appezzamenti. Poiché i metodi per modellare gli effetti nel tempo sono stati sviluppati separatamente in diverse discipline, possono esserci grandi differenze nella terminologia per quelli che sono fondamentalmente gli stessi modelli. Ad esempio, i modelli a coefficienti casuali, i modelli lineari gerarchici (HLM) e i modelli Bayesiani gerarchici sono essenzialmente gli stessi modelli e tutti possono essere adattati utilizzando Fit Mixed in JMP Pro 11 e JMP Pro 12. In questa presentazione dimostriamo le capacità di Fit Mixed per i modelli a coefficienti casuali utilizzando esempi tratti dall'industria farmaceutica e dalle scienze sociali. Ciò include la "traduzione" da SAS PROC MIXED per gli utenti JMP abituati ad adattare modelli misti in SAS.
