GLMM 節點

此節點會建立一般性線性混合模型 (GLMM)。

廣義線性混合模型涵蓋多種模型，從非正常垂直資料的簡單線性迴歸，到複雜的多層次模型。

範例。 地區教育局可以使用廣義線性混合模型來判定實驗性教學方法是否能有效提升數學分數。 同一教室中的學生應該具有相關性，因為他們都是由同一位教師授課，並且同一學校中的教室也具有相關性，所以我們可以在學校和教室層次包括隨機效應以說明變異性的不同來源。

醫療研究員可以使用通用性線性混合模型，以判斷新的抗癲癇藥物是否能減少病患癲癇發作的機率。 相同病患的重複測量結果通常會是正相關，所以加入一些隨機效應的混合模型應較為合適。 目標欄位（發作次數）採用正整數值，因此使用卜瓦松 (Poisson) 分佈和對數鏈結的通用性線性混合模型可能較為合適。

電視、電話及網際網路服務之纜線提供者的高階監督者可以使用通用性線性混合模型，來進一步瞭解潛在客戶。 因為可能的回答具有名義測量層次，所以公司分析師會透過使用隨機截取的廣義對數勝算混合模型，以擷取給定意見調查回答者回答內跨服務類型（電視、電話、網際網路）之服務使用問題答案之間的相關性。

在節點內容中，資料結構選項可讓您在觀察具有相關性時，指定資料集中記錄之間的結構關係。 如果資料集中的記錄代表獨立的觀察值，則不需要指定任何資料結構選項。

受試者。 指定類別欄位的值組合應該唯一定義資料集內的受試者。 例如，單一 Patient ID 欄位應該足以定義單一醫院中的受試者，但如果病患識別碼在醫院中不是唯一的，則可能需要 Hospital ID 與 Patient ID 的組合。 在重複測量設定中，為每個受試者記錄多個觀察值，因此每一個受試者都可能會佔用資料集內的多筆記錄。

受試者是一個觀察單位，並且可以視為與其他受試者無關。 例如，某個醫療研究中的患者，其血壓讀數可以視為與其他患者的血壓讀數無關。 當每個受試者有重複測量值，並且您想要為這些觀察值之間的相關性建模時，定義受試者尤其重要。 例如，您可能會預期單一患者在連續看病期間的血壓讀數是相關的。

在節點內容中指定為受試者的所有欄位，都會用來定義殘差共變異結構的受試者，並提供可能的欄位清單來定義「隨機效應區塊」上隨機效應共變異結構的受試者。

重複測量。 在這裡指定的欄位用來識別重複觀察值。 例如，單一變數 Week 可以識別醫學研究中的 10 週觀察，或者 Month 和 Day 可以一起用來識別一年中的每日觀察。

定義共變異數群組依據。 在這裡指定的種類欄位會定義獨立的重複效應共變數參數集；每一個由分組欄位交叉分類定義的種類對應一個參數集。 所有受試者都具有相同的共變異數類型，同一個共變異數分組中的受試者將具有相同的參數值。

空間共變異數座標。 選取其中一個空間共變異類型作為重複共變異類型時，此清單中的變數指定重複觀察值的座標。

重複共變異類型。 這可指定殘差的共變異結構。 可用的結構包括：

• 一階自我迴歸 (AR1)
• 自我迴歸移動平均 (1,1) (ARMA11)
• 複合對稱
• 對角線
• 縮放單位
• 空間：冪
• 空間：指數
• 空間：高斯
• 空間：線性
• 空間：線性對數
• 空間：球面
• 扥波力茲矩陣
• 非結構化
• 變異元件