Este nodo crea un modelo lineal mixto generalizado (GLMM).

Los modelos lineales mixtos generalizados cubren una amplia variedad de modelos, desde modelos de regresión lineal simple hasta modelos multinivel complejos para datos longitudinales no normales.

Ejemplos. El consejo escolar del distrito puede utilizar un modelo lineal mixto generalizado para determinar si un método educativo experimental es eficaz para mejorar las notas en matemáticas. Los estudiantes de la misma clase deberían correlacionarse dado que les enseña el mismo maestro. Asimismo, las clases del mismo colegio también deberían correlacionarse. De este modo, podemos incluir efectos aleatorios a nivel de colegio y de clase para explicar las diferentes fuentes de variabilidad.

Los investigadores médicos pueden utilizar un modelo lineal mixto generalizado para determinar si un nuevo medicamento antiepiléptico puede reducir la tasa de crisis epilépticas de un paciente. Las mediciones repetidas del mismo paciente normalmente se correlacionan de forma positiva, de modo que sería adecuado utilizar un modelo mixto con algunos efectos aleatorios. El campo objetivo, el número de convulsiones, utiliza valores enteros positivos, por lo que podría ser adecuado utilizar un modelo lineal mixto generalizado con una distribución de Poisson y enlace log.

Los ejecutivos de un proveedor de servicios de televisión, teléfono e Internet por cable pueden utilizar un modelo lineal mixto generalizado para saber más sobre los posibles clientes. Como las posibles respuestas tienen niveles de medición nominal, el analista de la empresa utiliza un modelo logit mixto generalizado con una interceptación aleatoria para capturar la correlación entre las respuestas a las preguntas del uso de los distintos tipos de servicios (televisión, teléfono e Internet) dentro de las respuestas de una persona a una encuesta específica.

En las propiedades del nodo, las opciones de estructura de datos le permiten especificar las relaciones estructurales entre los registros de su conjunto de datos cuando se correlacionan observaciones. Si los registros del conjunto de datos representan observaciones independientes, no necesita especificar ninguna opción de estructura de datos.

Sujetos. La combinación de valores de los campos categóricos especificados debe definir de forma exclusiva los sujetos del conjunto de datos. Por ejemplo, un único campo Patient ID debe ser suficiente para definir sujetos en un solo hospital, pero la combinación de Hospital ID y Patient ID puede ser necesaria si los números de identificación de pacientes no son exclusivos entre los hospitales. En una configuración de medidas repetidas, se registran varias observaciones para cada sujeto, de manera que cada sujeto puede ocupar varios registros del conjunto de datos.

Un sujeto es una unidad de observación que puede considerarse independiente de otros sujetos. Por ejemplo, las lecturas de la tensión arterial de un paciente en un estudio médico pueden considerarse independientes de las lecturas de otros pacientes. La definición de sujetos resulta especialmente importante cuando se producen mediciones repetidas por sujeto y quiere modelar la correlación entre estas observaciones. Por ejemplo, cabría esperar que las lecturas de la tensión arterial de un único paciente durante visitas consecutivas al médico estén correlacionadas.

Todos los campos especificados como sujetos en las propiedades del nodo se utilizan para definir sujetos para la estructura de covarianzas residual y proporcionan la lista de campos posibles para definir sujetos para estructuras de covarianza de efectos aleatorios en el Bloque de efectos aleatorios.

Medidas repetidas. Los campos especificados aquí se utilizan para identificar observaciones repetidas. Por ejemplo, una única variable Week podría identificar las 10 semanas de observaciones en un estudio médico, o Month y Day se podrían utilizar juntos para identificar las observaciones diarias a lo largo de un año.

Definir grupos de covarianzas por. Los campos categóricos especificados aquí definen conjuntos independientes de parámetros de covarianza de efectos repetidos; uno para cada categoría definida por la clasificación cruzada de los campos de agrupación. Todos los sujetos tienen el mismo tipo de covarianza, y los sujetos con la misma agrupación de covarianza tendrán los mismos valores para los parámetros.

Coordenadas de covarianza espaciales. Las variables de esta lista especifican las coordenadas de las observaciones repetidas, cuando se selecciona uno de los tipos de covarianza espaciales para el tipo de covarianza repetido.

Tipo de covarianza repetido. Esto especifica la estructura de covarianzas para los residuos. Las estructuras disponibles son:

• Autorregresiva de primer orden (AR1)
• Media móvil autorregresiva (1,1) (ARMA11)
• Simetría compuesta
• Diagonal
• Identidad escalada
• Espacial: potencia
• Espacial: exponencial
• Espacial: gausiano
• Espacial: Lineal
• Espacial: log-lineal
• Espacial: esférico
• Toeplitz
• Sin estructura
• Componentes de la varianza