Nó GLMM

Este nó cria um modelo linear generalizado misto( GLMM).

Os modelos lineares generalizados mistos abrangem uma ampla variedade de modelos, desde regressão linear simples até modelos multiníveis complexos para dados longitudinais não normais.

Exemplos. O comitê do distrito escolar pode usar um modelo misto linear generalizado para determinar se um método de ensino experimental é eficaz em melhorar as notas de matemática. Alunos da mesma sala de aula devem ser correlacionados uma vez que eles são ensinados pelo mesmo professor e as salas de aula dentro da mesma escola também podem ser correlacionadas, para que possamos incluir efeitos aleatórios nos níveis da escola e da sala de aula para termos em conta as diferentes origens de variabilidade.

Os pesquisadores médicos podem utilizar um modelo linear generalizado misto para determinar se uma nova medicação anticonvulsiva pode reduzir a taxa de ataques epiléticos de um paciente. As medições repetidas do mesmo paciente são geralmente correlacionadas positivamente de modo que um modelo combinado com alguns efeitos aleatórios deve ser apropriado. O campo de destino - o número de apreensões - assume valores inteiros positivos, então um modelo linear generalizado misto com uma distribuição de Poisson e link de log pode ser apropriado.

Os executivos de um provedor de serviços de televisão, telefone e Internet a cabo podem usar um modelo linear generalizado misto para aprender mais sobre clientes em potencial. Uma vez que possíveis respostas têm níveis de medição nominal, o analista da empresa usa um modelo logit misto generalizado com um intercepto aleatório para capturar correlação entre respostas para as perguntas de uso de serviço nos tipos de serviços (televisão, telefone, internet) dentro de respostas de um respondente de uma dada pesquisa de opinião.

Nas propriedades do nó, as opções de estrutura de dados permitem que você especifique os relacionamentos estruturais entre os registros em seu conjunto de dados quando as observações são correlacionadas. Se os registros no conjunto de dados representam observações independentes, você não precisa especificar nenhuma opção de estrutura de dados.

Assuntos. A combinação de valores dos campos categóricos especificados deve definir de forma exclusiva sujeitos dentro do conjunto de dados. Por exemplo, um único campo Patient ID deve ser suficiente para definir assuntos em um único hospital, mas a combinação de Hospital ID e Patient ID pode ser necessária se os números de identificação do paciente não forem exclusivos nos hospitais. Em uma configuração de medidas repetidas, várias observações são registradas para cada assunto, de modo que cada assunto pode ocupar vários registros no conjunto de dados.

A assunto é uma unidade observacional que pode ser considerada independente de outros assuntos. Por exemplo, as leituras de pressão arterial de um paciente em um estudo médico podem ser consideradas independentes das leituras de outros pacientes. Definir assuntos torna-se particularmente importante quando há medidas repetidas por assunto e você deseja modelar a correlação entre estas observações. Por exemplo, você pode esperar que as leituras de pressão arterial de um único paciente durante visitas consecutivas ao médico sejam correlacionadas.

Todos os campos especificados como assuntos nas propriedades do nó são usados para definir assuntos para a estrutura de covariância residual e fornecer a lista de campos possíveis para definir assuntos para estruturas de covariâncias de efeitos aleatórios no Bloco de Efeito Aleatório.

Medidas repetidas. Os campos especificados aqui são utilizados para identificar observações repetidas. Por exemplo, uma única variável Week pode identificar as 10 semanas de observações em um estudo médico, ou Month e Day podem ser usadas em conjunto para identificar observações diárias ao longo de um ano.

Definir grupos de covariância por. Os campos categóricos especificados aqui definem conjuntos independentes de parâmetros de covariância de efeitos repetidos; um para cada categoria definida pela classificação cruzada dos campos de agrupamento. Todos os assuntos possuem o mesmo tipo de covariância, e assuntos dentro do mesmo agrupamento de covariância terão os mesmos valores para os parâmetros.

Coordenadas de covariância espacial. As variáveis nesta lista especificam as coordenadas das observações repetidas quando um dos tipos de covariância espacial é selecionado para o tipo de covariância repetida.

Tipo de covariância repetida. Isso especifica a estruturas de covariâncias para os resíduos. As estruturas disponíveis são:

• Autorregressivo de primeira ordem (AR1)
• Média móvel autorregressiva (1,1) (ARMA11)
• Simetria composta
• Diagonal
• Identidade dimensionada
• Espacial: Energia
• Espacial: Exponencial
• Espacial: Gaussiano
• Espacial: Linear
• Espacial: Log Linear
• Espacial: Esférico
• Toeplitz
• Não estruturada
• Componentes de variância