Estimación (modelos mixtos lineales generalizados)

El algoritmo de generación de modelo utiliza un proceso iterativo que consta de un bucle interno y un bucle externo. Los valores siguientes se aplican al bucle interno.

Orden de clasificación

Estos controles determinan el orden de las categorías del objetivo y los factores (entradas categóricas) para determinar la "última" categoría. La configuración del orden de clasificación se ignora si el destino no es categórico o si se especifica una categoría de referencia personalizada en la configuración de Objetivo (modelos lineales mixtos generalizados).

Convergencia de parámetros.

Se asume la convergencia si el cambio máximo absoluto o el cambio máximo relativo en las estimaciones de parámetro es menor que el valor especificado, que no debe ser negativo. Si el valor especificado es igual a 0, no se utiliza el criterio.

Convergencia de log-verosimilitud.

Se asume la convergencia si el cambio absoluto o el cambio relativo en la función de log-verosimilitud es menor que el valor especificado, que no debe ser negativo. Si el valor especificado es igual a 0, no se utiliza el criterio.

Convergencia hessiana.

Para la especificación Absoluta, se asume la convergencia si un estadístico basado en la convergencia hessiana es menor que el valor especificado. En el caso de la especificación Relativa, se supone la convergencia si el estadístico es menor que el producto del valor especificado y el valor absoluto del logaritmo de la verosimilitud. Si el valor especificado es igual a 0, no se utiliza el criterio.

Pasos máximos de puntuación de Fisher.

Especifique un número entero no negativo. Un valor de 0 especifica el método Newton-Raphson. Los valores mayores que 0 especifican el uso del algoritmo de puntuación de Fisher hasta el número de iteración n, donde n es el entero especificado y después de Newton-Raphson.

Tolerancia para la singularidad.

Este valor se utiliza como la tolerancia en la comprobación de la singularidad. Especifique un valor positivo.

Reglas de parada

Puede especificar el número máximo de iteraciones que se ejecutará el algoritmo. El algoritmo utiliza un proceso iterativo doble que consta de un bucle interno y un bucle externo. El valor especificado para el número máximo de iteraciones se aplica a ambos bucles. Especifique un número entero no negativo. El valor predeterminado es 100.

Valores de estimación posterior

Estos ajustes determinan el modo en que algunos de los resultados de modelo se calculan para su visualización.

Nivel de confianza (%)

Éste es el nivel de confianza que se utiliza para calcular las estimaciones de intervalos de los coeficientes de modelos. Especifique un valor mayor que 0 y menor que 100. El valor predeterminado es 95.

Grados de libertad

Esto especifica cómo se calculan los grados de libertad para las pruebas de significación. Elija Método residual si el tamaño de su muestra es suficientemente grande, si los datos están equilibrados o si el modelo utiliza un tipo de covarianza más simple (por ejemplo, identidad escalada o diagonal). Ésta es el ajuste predeterminado. Elija Aproximación de Satterthwaite si el tamaño de su muestra es pequeño, si los datos no están equilibrados o si el modelo utiliza un tipo de covarianza complicado (por ejemplo, sin estructura). Elija Aproximación de Kenward-Roger si el tamaño de la muestra es pequeño y tiene un modelo Máxima verosimilitud restringida (REML).

Pruebas de efectos fijos y coeficientes

Éste es el método para calcular la matriz de covarianzas de estimaciones de parámetros. Seleccione la estimación robusta si le preocupa que se incumplan los supuestos de modelo.