23646_it-IT

liliconcom

Modelli a coefficiente casuale: come modellare dati longitudinali e gerarchici in JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Elisabetta Classen , PhD, tester statistico di ricerca JMP, SAS

Chris Gotwalt , PhD, Direttore di ricerca e sviluppo statistico JMP, SAS

L'aggiunta della personalità Mixed Model di Fit Model (Fit Mixed) ha notevolmente ampliato la capacità di JMP Pro di analizzare i dati longitudinali che consistono in misurazioni ripetute effettuate nel tempo. Forse non è ancora pienamente compreso quanto sia utile la piattaforma in un'ampia varietà di aree tematiche, comprese le scienze sociali, l'affidabilità dei prodotti e l'agricoltura. La stessa metodologia alla base della piattaforma può essere utilizzata per modellare curve di crescita/degradazione individuali 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 si sono sviluppati separatamente in diverse discipline, possono esserci grandi differenze terminologiche per quelli che sono fondamentalmente gli stessi modelli. Ad esempio, i modelli a coefficienti casuali, i modelli lineari gerarchici (HLM) e i modelli gerarchici di Bayes 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 modelli a coefficienti casuali utilizzando esempi dell'industria farmaceutica e delle scienze sociali. Ciò include la "traduzione" da SAS PROC MIXED per gli utenti JMP abituati a montare modelli misti in SAS.

Modellazione predittivaRe: Modelli a coefficiente casuale: come modellare dati longitudinali e gerarchici in JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Grazie per aver incrociato la JMP Mixed Model Platform con SAS PROC Mixed. La piattaforma JMP per le intercettazioni casuali e, più in generale, i modelli misti è buona.Mi piacerebbe vedere la piattaforma JMP in grado di stimare i coefficienti per i risultati categoriali anche in futuro. Grazie ancora!  

Re: Modelli a coefficiente casuale: come modellare dati longitudinali e gerarchici in JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Grazie per le gentili parole.

Voglio chiarire la tua richiesta. Vuoi coefficienti casuali per fattori categoriali? Oppure stai cercando modelli misti con dati di tipo binomiale, quindi regressione logistica con effetti casuali?

Grazie!

Re: Modelli a coefficienti casuali: come modellare dati longitudinali e gerarchici in JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Ciao Elisabetta,

Vorrei essere stato in grado di assistere alla tua presentazione la scorsa settimana, ma penso che dovevo essere da qualche altra parte.

Sono abbastanza sicuro che @mpg richieda una regressione logistica con effetti casuali. Forse ciò potrebbe quindi essere esteso anche alla regressione logistica ordinale.

Grazie,

Fil

Ri: Modelli a coefficienti casuali: come modellare dati longitudinali e gerarchici in JMP® Pro

Grazie, Fil. Questo è quello che pensavo, ma volevo esserne sicuro. GLMM e GEE (modelli misti con distribuzioni di risposta non normali) sono stati richiesti in precedenza. Aggiungerò un altro voto per loro.

Grazie,

Elisabetta

Re: Modelli di coefficienti casuali: come modellare dati longitudinali e gerarchici in JMP® Pro

Ha il mio voto! Di recente ho dovuto fare un po' di compiti per un modulo di Mixed Models del mio Applied Stats Masters e sarebbe stato bello poter rimanere in JMP per la parte di regressione logistica. Invece ho dovuto perdere tempo a risolvere i bug in un codice R poco affidabile dagli appunti delle lezioni!

Re: Modelli di coefficienti casuali: come modellare dati longitudinali e gerarchici in JMP® Pro

Ciao Elizabeth e Phil,

Mi scuso per il ritardo nella risposta, mi sono spostato molto.

Sì, sto chiedendo che le future release di JMP prendano in considerazione l'aggiunta di GLMM alla piattaforma di modellazione mista. D'altro canto, pensavo che quando avrò un po' di tempo libero mi impegnerò a scrivere un componente aggiuntivo JMP che utilizzi R per stimare modelli misti con risposte non normali.

Hai qualche idea su come creare questo componente aggiuntivo?

Saluti,

Mattia Buono