Ce noeud crée un modèle mixte linéaire généralisé (GLMM).

Les modèles mixtes linéaires généralisés couvrent une large variété de modèles, depuis les modèles de régression linéaire simple aux modèles multi-niveaux complexes destinés aux données longitudinales non normales.

Exemples. La commission scolaire régionale peut utiliser un modèle mixte linéaire généralisé pour déterminer si une méthode d'apprentissage expérimentale est efficace pour l'amélioration des notes en mathématiques. Les élèves d'une même classe devraient être corrélés puisque le même enseignant leur dispense les cours, et les classes d'une même école devraient aussi être corrélées donc nous pouvons inclure des effets aléatoires aux niveaux de l'école et de la classe pour prendre en compte les différentes sources de variabilité.

Les chercheurs dans le domaine médical peuvent utiliser un modèle mixte linéaire généralisé pour déterminer si un nouveau médicament anti-convulsions peut réduire le taux de crises épileptiques chez un patient. Les mesures répétées chez le même patient sont normalement corrélées positivement, donc un modèle mixte avec des effets aléatoires devrait être adéquat. Le champ cible, en l'occurrence le nombre de crises, prend des valeurs entières positives, donc un modèle mixte linéaire généralisé avec une distribution de Poisson et un lien log peut être approprié.

Les dirigeants d'une société de prestation de services de télévision par câble, de téléphonie et Internet peuvent utiliser un modèle mixte linéaire généralisé pour mieux connaître leurs clients potentiels. Du fait que les réponses possibles ont des niveaux de mesure nominaux, l'analyste de la société utilise un modèle mixte logit généralisé avec une constante aléatoire pour capturer la corrélation entre les réponses aux questions d'utilisation du service selon différents types de services (tv, téléphone, Internet) et les réponses d'une enquête donnée.

Dans les propriétés de noeud, les options de structure de données vous permettent de spécifier les relations structurelles entre les enregistrements de votre ensemble de données, lorsque les observations sont corrélées. Si les enregistrements de l'ensemble de données représentent des observations indépendantes, vous n'avez pas besoin de spécifier d'options de structure de données.

Sujets. La combinaison des valeurs des champs catégoriels spécifiés doit définir de manière unique les sujets à l'intérieur de l'ensemble de données. Par exemple, une seule zone Patient ID doit être suffisante pour définir des sujets dans un seul hôpital, mais la combinaison de Hospital ID et Patient ID peut être nécessaire si les numéros d'identification des patients ne sont pas uniques dans les hôpitaux. Dans le cas de mesures répétées, plusieurs observations sont enregistrées pour chaque sujet, de sorte que chaque sujet peut occuper plusieurs enregistrements dans l'ensemble de données.

Un sujet est une unité d'observation qui peut être considérée indépendante des autres sujets. Par exemple, la mesure de pression artérielle d'un patient au sein d'une étude médicale peut être considérée indépendante des mesures prise sur les autres patients. La définition des sujets devient particulièrement importante lorsqu'il existe deux mesures répétées par sujet et que vous souhaitez modéliser la corrélation entre ces observations. Par exemple, vous pouvez vous attendre à ce que les mesures de la pression artérielle d'un patient donné soient corrélées, lors de visites consécutives chez le médecin.

Tous les champs spécifiés comme sujets dans les propriétés du noeud sont utilisés pour définir des sujets pour la structure de covariance résiduelle et fournir la liste des champs possibles pour définir des sujets pour les structures de covariance à effets aléatoires sur le Bloc d'effets aléatoires.

Mesures répétées. Les champs spécifiés ici permettent d'identifier les observations répétées. Par exemple, une seule variable Week peut identifier les 10 semaines d'observations dans une étude médicale, ou Month et Day peuvent être utilisés ensemble pour identifier les observations quotidiennes au cours d'une année.

Définir les groupes de covariance par Les champs catégoriels spécifiés ici définissent des ensembles indépendants de paramètres de covariance d'effets répétés, un ensemble étant défini pour chaque catégorie par la classification croisée des champs de regroupement. Tous les sujets ont le même type de covariance, les sujets faisant partie du même regroupement de covariance auront les mêmes valeurs de paramètres.

Coordonnées de la covariance spatiale. Les variables de cette liste spécifient les coordonnées des observations répétées lorsque l'un des types de covariance spatiale est sélectionné pour le type de covariance répété.

Type de covariance répétée. Indique la structure de covariance des résidus. Les structures disponibles sont les suivantes :

• Autorégressive de premier ordre (AR1)
• Moyenne mobile autorégressive (1,1) (ARMA11)
• Symétrie composée
• Diagonale
• Identité mise à l'échelle
• Spatiale : Puissance
• Spatiale : Exponentielle
• Spatiale : Gausse
• Spatiale : Linéaire
• Spatiale : Log linéaire
• Spatiale : Sphérique
• Toeplitz
• Sans structure
• Composantes de variance