Modelos de coeficientes aleatorios: cómo modelar datos longitudinales y jerárquicos en JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />elizabeth claussen , PhD, Probador Estadístico de Investigación JMP, SAS
chris gotwalt , PhD, JMP Director de Investigación y Desarrollo Estadístico, SAS
La adición de la personalidad de modelo mixto de Fit Model (Fit Mixed) ha ampliado enormemente la capacidad de JMP Pro para analizar datos longitudinales que consisten en mediciones repetidas tomadas a lo largo del tiempo. Quizás aún no se aprecie por completo la utilidad de la plataforma en una amplia variedad de áreas temáticas, incluidas las ciencias sociales, la confiabilidad del producto y la agricultura. La misma metodología subyacente en la plataforma se puede usar para modelar curvas de crecimiento/degradación individuales o para modelar unidades experimentales que se organizan en una jerarquía, como estudiantes dentro de escuelas o plantas individuales dentro de parcelas. Debido a que los métodos para modelar los efectos a lo largo del tiempo se desarrollaron por separado en varias disciplinas diferentes, puede haber grandes diferencias en la terminología de lo que son básicamente los mismos modelos. Por ejemplo, los modelos de coeficientes aleatorios, los modelos lineales jerárquicos (HLM) y los modelos jerárquicos de Bayes son esencialmente los mismos modelos, y todos se pueden ajustar usando Fit Mixed en JMP Pro 11 y JMP Pro 12. En esta presentación, demostramos las capacidades de Fit Mixed para modelos de coeficientes aleatorios utilizando ejemplos de la industria farmacéutica y las ciencias sociales. Esto incluye hacer la “traducción” de SAS PROC MIXED para usuarios de JMP acostumbrados a ajustar modelos mixtos en SAS.
Modelado PredictivoRe: Modelos de coeficientes aleatorios: cómo modelar datos longitudinales y jerárquicos en JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Gracias por cruzar la Plataforma Modelo Mixto JMP a SAS PROC Mixto. La plataforma JMP para intercepciones aleatorias y, en general, modelos mixtos es buena.Me gustaría ver la plataforma JMP capaz de estimar coeficientes para resultados categóricos también en el futuro. ¡Gracias de nuevo!
Re: Modelos de coeficientes aleatorios: cómo modelar datos longitudinales y jerárquicos en JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Gracias por sus amables palabras.
Quiero aclarar su solicitud. ¿Quiere coeficientes aleatorios para factores categóricos? ¿O está buscando modelos mixtos con datos de tipo binomial, así que regresión logística con efectos aleatorios?
¡Gracias!
Re: Modelos de coeficientes aleatorios: cómo modelar datos longitudinales y jerárquicos en JMP® Pro<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola Isabel,
Ojalá hubiera podido asistir a su presentación la semana pasada, pero creo que tenía que estar en otro lugar.
Estoy bastante seguro de que @mpg está solicitando una regresión logística con efectos aleatorios. Tal vez eso también podría extenderse a la regresión logística ordinal.
Gracias,
phil
Re: Modelos de coeficientes aleatorios: cómo modelar datos longitudinales y jerárquicos en JMP® ProGracias, Phil. Eso es lo que pensé, pero quería estar seguro. Ya se han solicitado GLMM y GEE (modelos mixtos con distribuciones de respuesta no normales). Agregaré otro voto por ellos.
Gracias,
Isabel
Re: Modelos de coeficientes aleatorios: cómo modelar datos longitudinales y jerárquicos en JMP® Pro¡Me lo merece! Hace poco tuve que hacer algunos trabajos de curso para un módulo de modelos mixtos de mi maestría en estadística aplicada y hubiera sido bueno poder quedarme en JMP para la parte de regresión logística. En cambio, tuve que perder el tiempo solucionando errores en un código R poco fiable que aprendí de las notas de clase.
Re: Modelos de coeficientes aleatorios: cómo modelar datos longitudinales y jerárquicos en JMP® ProHola Elizabeth y Phil,
Pido disculpas por la demora en la respuesta, he estado mudándome.
Sí, solicito que las futuras versiones de JMP consideren agregar GLMM a la plataforma de modelado mixto. Por otro lado, estaba pensando que cuando tenga un poco de tiempo libre, me esforzaría en escribir un complemento de JMP que use R para estimar modelos mixtos con respuestas no normales.
¿Alguna idea sobre la creación de ese complemento?
Salud,
Matt Goodlaw
