23646_fr-FR

liliconcom

Modèles à coefficients aléatoires : comment modéliser des données longitudinales et hiérarchiques dans JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Elisabeth Classen , PhD, JMP Research Statisticien Testeur, SAS

Chris Gotwal , PhD, JMP Directeur de la recherche statistique et du développement, SAS

L'ajout de la personnalité de modèle mixte de Fit Model (Fit Mixed) a considérablement élargi la capacité de JMP Pro à analyser des données longitudinales constituées de mesures répétées prises au fil du temps. L'utilité de la plate-forme dans une grande variété de domaines, y compris les sciences sociales, la fiabilité des produits et l'agriculture, n'est peut-être pas encore pleinement appréciée. La même méthodologie sous-jacente dans la plate-forme peut être utilisée pour modéliser des courbes de croissance/dégradation individuelles ou pour modéliser des unités expérimentales organisées en hiérarchie, telles que des élèves au sein d'écoles ou des plantes individuelles au sein de parcelles. Étant donné que les méthodes de modélisation des effets au fil du temps se sont développées séparément dans plusieurs disciplines différentes, il peut y avoir de grandes différences de terminologie pour ce qui est fondamentalement les mêmes modèles. 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 à l'aide de l'ajustement mixte dans JMP Pro 11 et JMP Pro 12. Dans cette présentation, nous démontrons les capacités de Fit Mixed pour les modèles à coefficients aléatoires en utilisant des exemples de l'industrie pharmaceutique et des sciences sociales. Cela inclut la « traduction » de SAS PROC MIXED pour les utilisateurs de JMP habitués à ajuster des modèles mixtes dans SAS.

Modélisation prédictiveObjet : Modèles à coefficients aléatoires : comment modéliser des données longitudinales et hiérarchiques dans JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Merci d'avoir croisé la plate-forme de modèles mixtes JMP avec SAS PROC Mixed. La plate-forme JMP pour les interceptions aléatoires et plus généralement, les modèles mixtes est bonne.J'aimerais voir la plate-forme JMP capable d'estimer également les coefficients des résultats catégoriels à l'avenir. Merci encore!  

Objet : Modèles à coefficients aléatoires : comment modéliser des données longitudinales et hiérarchiques dans JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Je vous remercie pour vos aimables paroles.

Je veux clarifier votre demande. Voulez-vous des coefficients aléatoires pour des facteurs catégoriels ? Ou cherchez-vous des modèles mixtes avec des données de type binomial, donc une régression logistique avec des effets aléatoires ?

Merci!

Objet : Modèles à coefficients aléatoires : comment modéliser des données longitudinales et hiérarchiques dans JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Bonjour Elisabeth,

J'aurais aimé pouvoir assister à votre présentation la semaine dernière, mais je pense que je devais être ailleurs.

Je suis à peu près sûr que @mpg demande une régression logistique avec des effets aléatoires. Peut-être que cela pourrait également être étendu à la régression logistique ordinale.

Merci,

Phil

Re : Modèles à coefficients aléatoires : comment modéliser des données longitudinales et hiérarchiques dans JMP® Pro

Merci, Phil. C'est ce que je pensais, mais je voulais en être sûr. Les GLMM et les GEE (modèles mixtes avec distributions de réponses non normales) ont déjà été demandés. J'ajouterai un autre vote pour eux.

Merci,

Élisabeth

Ré: Modèles à coefficients aléatoires : comment modéliser des données longitudinales et hiérarchiques dans JMP® Pro

J'ai voté pour ! J'ai dû récemment faire des travaux de cours pour un module de modèles mixtes de mon Master en statistiques appliquées et il aurait été bien de pouvoir rester dans JMP pour la partie régression logistique. Au lieu de cela, j'ai dû perdre mon temps à résoudre les bugs dans un code R douteux à partir des notes de cours !

Ré: Modèles à coefficients aléatoires : comment modéliser des données longitudinales et hiérarchiques dans JMP® Pro

Bonjour Elizabeth et Phil,

Je m'excuse pour le retard de la réponse, j'ai déménagé.

Oui, je demande que les futures versions de JMP envisagent d'ajouter des GLMM à la plateforme de modélisation mixte. D'un autre côté, je pensais que lorsque j'aurais un peu de temps libre, je ferais l'effort d'écrire un module complémentaire JMP qui utilise R pour estimer les modèles mixtes avec des réponses non normales.

Des idées sur la création de ce module complémentaire ?

Acclamations,

Matt Goodlaw