GLMM ノード

このノードにより、一般化線形混合モデル (GLMM) が作成されます。

一般化線型混合モデルには、単純な線型から、非正規分布の縦断的データを取り扱う複雑なマルチレベル・モデルまで、さまざまなモデルがあります。

例: 地区の教育委員会は、実験的な教授法が数学の点数を向上させる効果的であるかどうかを判断するために一般化線形混合モデルを使用することができます。 同じ教室の生徒は、同じ教師によって教えられるため、相関関係があると考えられます。また、同じ学校内の教室も相関している可能性があります。そのため、学校やクラスのレベルでの乱数効果を考慮して、さまざまな変動要因を考慮することができます。

医学研究者は、新しい抗てんかん薬が、てんかん発作の患者の割合を減らすことができるかどうかを判断するために一般化線形混合モデルを使用することができます。 同一患者から繰り返し測定を行う場合通常、正の相関関係があるため、いくつかの変量効果を持つ混合モデルが適切となります。 対象フィールドである発作の数は、正の整数値をとるため、ポアソン分布と対数リンクを持つ一般化線形混合モデルが適切となる場合があります。

テレビ、電話、インターネットに関するサービスを提供する企業の経営幹部は、一般化線形混合モデルを使用して、潜在的な顧客について詳しく理解することができます。 ありうる回答は名義型測定レベルを持つため、その会社のアナリストはランダム切片のある一般化ロジット混合モデルを使用して、特定の調査応答者の回答内の、サービス・タイプ全体 (テレビ、電話、インターネット) のサービス利用に関する質問への回答間の相関を捕捉できます。

ノード・プロパティーでデータ構造オプションを使用すると、観測が相関している場合の、データ・セット内のレコード間の構造的な関係を指定することができます。 データ・セット内のレコードが独立した観測を示している場合、データ構造オプションを指定する必要はありません。

被験者: 指定したカテゴリー・フィールドの値を組み合わせることで、データ・セット内の被験者を一意的に定義する必要があります。 例えば、単一の病院で被験者を定義するには 1 つの Patient ID フィールドで十分ですが、患者識別番号が病院間で固有でない場合は、 Hospital ID と Patient ID の組み合わせが必要になることがあります。 反復測定設定では、各被験者について複数の観測が記録されるため、被験者ごとに複数のレコードがデータ・セットに記録される可能性があります。

被験者は観測用の単位で、他の被験者から独立していると見なされます。 例えば医学研究では、ある患者の血圧測定値は、他の患者の測定値とは無関係であると見なすことができます。 被験者ごとに反復測定を行い、それらの観測値間の相関をモデル化する場合、被験者の定義は特に重要になります。 例えば、病院に連続で通院している間のある患者の血圧測定値は相関していることが予想されます。

ノード・プロパティーで被験者として指定されたすべてのフィールドを使用して残存共分散構造用の被験者が定義され、「変量効果ブロック」で変量効果共分散構造用の被験者を定義するための有効なフィールドのリストが提供されます。

反復測定: ここで指定するフィールドは、反復観測値を特定するために使用されます。 例えば、単一の変数 Week が医療研究における 10 週間分の観測値を識別したり、 Month と Day を一緒に使用して 1 年間の毎日の観測値を識別したりすることができます。

共分散グループの定義: ここで指定するカテゴリー・フィールドは、反復効果共分散パラメーターの独立したセットを定義します。グループ化フィールドの交差分類により定義される各カテゴリーに対して 1 つです。 すべての被験者に同じ共分散タイプが設定され、同じ共分散グループ内の被験者に同じパラメーター値が設定されます。

空間共分散座標。 このリストの変数は、反復共分散タイプとして空間共分散タイプの 1 つが選択されたときに、反復測定の座標を指定します。

反復共分散タイプ。 残差に対する共分散構造を指定します。 使用できる構造は次のとおりです。

• 1 次自己回帰 (AR1)
• 自己回帰の移動平均 (1,1) (ARMA11)
• 複合対称
• 対角
• 計測された単位
• 空間: べき乗
• 空間: 指数
• 空間: ガウス
• 空間: 線型
• 空間: 線型-対数
• 空間: 球形
• Toeplitz
• 無構造
• 分散成分