Modèle glmm

La question de savoir si vous devez utiliser un GLMM ou le GEE est la question de laquelle de ces fonctions que vous voulez estimer. Si vous vouliez connaître la probabilité d`un passage d`un étudiant donné (si, disons, vous étiez l`étudiant, ou le parent de l`étudiant), vous voulez utiliser un GLMM. D`autre part, si vous voulez connaître l`effet sur la population (si, par exemple, vous étiez l`enseignant, ou le principal), vous voudriez utiliser le GEE. Dans les statistiques, un modèle linéaire mixte généralisé (GLMM) est une extension au modèle linéaire généralisé (GLM) dans lequel le prédicteur linéaire contient des effets aléatoires en plus des effets fixes habituels. 1 2 Ils héritent également de GLMs l`idée d`étendre des modèles mixtes linéaires à des données non normales [3]. Comme il s`avère, GLMMs sont assez flexibles en termes de ce qu`ils peuvent accomplir. En ce sens, ils ne sont pas très différents de beaucoup d`autres modèles dans la «famille linéaire» (modèles linéaires généraux, comme la régression et l`ANOVA, ou des modèles linéaires généralisés, comme la régression logistique). Comme ces modèles, l`objectif peut être de répondre à des questions de recherche relativement spécifiques, comme jusqu`à ce point, tout ce que nous avons dit s`applique également aux modèles mixtes linéaires en ce qui concerne les modèles mixtes linéaires généralisés. Maintenant, concentrons-nous sur ce qui rend le GLMMs unique. Modèle linéaire général vs modèle linéaire généralisé (avec une fonction de lien d`identité?) Étant donné que vous avez plusieurs essais par participant, vos données ne sont pas indépendantes; comme vous le remarquez à juste titre, “[l] es acteurs d`un participant sont susceptibles d`être plus semblables que par rapport à l`ensemble du groupe”. Par conséquent, vous devez utiliser soit un GLMM ou le GEE. Cependant, peut-être vous vous demandez vraiment sur les types de question qu`un GLMM peut répondre.

Si vous utilisez un GLMM pour l`une des situations décrites ci-dessus, que peut-il vous dire? Le critère d`information d`akle (AIC) est un critère commun pour la sélection du modèle. On a récemment obtenu des estimations de l`AIC pour les GLMMs sur la base de certaines distributions exponentielles de la famille. [5] Tagged comme: modèles linéaires généralisés d`effets mixtes, GLMM, interactions, modèles d`effets mixtes, variabilité si vous êtes nouveau à l`aide généralisée linéaire des modèles d`effets mixtes, ou si vous avez entendu parler d`eux, mais jamais utilisé, vous pourriez vous interroger sur le but de un GLMM. Les modèles mixtes linéaires généralisés (ou GLMMs) sont une extension des modèles mixtes linéaires pour permettre aux variables de réponse de différentes distributions, telles que les réponses binaires. Alternativement, vous pouvez penser à GLMMs comme une extension de modèles linéaires généralisés (par exemple, la régression logistique) pour inclure à la fois des effets fixes et aléatoires (donc des modèles mixtes). La forme générale du modèle (en notation matricielle) est: les GLMMs fournissent un large éventail de modèles pour l`analyse des données groupées, puisque les différences entre les groupes peuvent être modélisées comme un effet aléatoire. Ces modèles sont utiles dans l`analyse de nombreux types de données, y compris les données longitudinales. [4] ce qui est différent entre LMMs et GLMMs est que les variables de réponse peuvent provenir de différentes distributions en plus de gaussien.

En outre, plutôt que de modéliser les réponses directement, une fonction de lien est souvent appliquée, comme un lien de journal. Nous allons en parler plus en une minute. Laissez le prédicteur linéaire, (eta), être la combinaison des effets fixes et aléatoires excluant les résidus. L`interprétation des GLMMs est similaire à celle des GLM; Cependant, il y a une complexité supplémentaire en raison des effets aléatoires. Sur la métrique linéarisée (après avoir pris la fonction de liaison), l`interprétation se poursuit comme d`habitude. Toutefois, il est souvent plus facile de revenir en arrière pour transformer les résultats en métrique d`origine.

This entry was posted in Uncategorized. Bookmark the permalink.

Comments are closed.