此节点创建广义线性混合模型 (GLMM)。

广义线性混合模型涵盖了各种模型，从简单线性回归模型到非正态纵向模型数据的复杂多级模型。

示例。 地区教育委员会可以使用广义线性混合模型来判定一个实验教学方法对于提高数学成绩的有效性。 来自相同教室的学生是相关的，因为他们的教师相同，来自同一学校的教室也可能是相关的，因此我们在学校和教室级别上包含随机效应，以纳入可变性的不同来源。

医疗研究人员可以用广义线性混合模型来判定一种新型抗惊厥药能否降低患者癫痫发作的比率。 对同一患者重复测量通常是正相关的，因此适合使用具有随机效应的混合模型。 目标字段为发作次数，其值为正整数，因此可能适合使用具有泊松分布和对数链接的广义线性混合模型。

电视、电话和网络服务的有线供应商可以使用广义线性混合模型了解潜在的客户。 由于可能的答案具有名义测量级别，因此公司分析师使用具有随机截距的广义 logit 混合模型来捕获给定调查响应者答案中跨服务类型（电视、电话、互联网）的服务使用问题答案之间的相关性。

在节点属性中，当观测值具有相关性时，使用数据结构选型可指定数据集中各纪录的结构关系。 如果数据集内的纪录代表独立观测值，那么无需指定任何数据结构选项。

主体。 指定分类字段值的组合应唯一定义数据集内的主体。 例如，单个 Patient ID 字段应该足以定义单个医院中的主体，但如果患者标识号在各个医院中不是唯一的，那么可能需要 Hospital ID 和 Patient ID 的组合。 在重复度量设置中，将为每个主体记录多个观察数据，因此每个主体可能在数据集中占用多个纪录。

主体是一个可独立于其他主体的观察单元。 例如，医学研究中一个患者的血压读数可视为独立于其他患者的读数。 当每个主体都有重复测量，而又要对这些观察数据的相关性建立模型，定义主体就变得尤为重要。 例如，您可能期望医生为单个病人连续几次测量的血压读数是相关的。

节点属性中所有指定为主体的字段都用于定义残差协方差结构的主体，并提供可能的字段列表，用于在“随机效应块”上定义随机效应协方差结构的主体。

重复测量。 此处指定的字段用于识别重复观察。 例如，单个变量 Week 可能标识医学研究中的 10 周观测值，或者 Month 和 Day 可能一起用于标识一年中的每日观测值。

定义协方差组依据。 此处指定的分类字段用于定义独立的重复效应协方差参数集；每个由分组字段的交叉分类定义的类别都具有此字段。 所有主体具有相同协方差类型，相同协方差分组内的主体具有相同的参数值。

空间协方差坐标。 如果为重复协方差类型选择了其中一个空间协方差类型，那么该列表中的变量指定重复观测值的坐标。

重复协方差类型。 指定残差的协方差结构。 可用结构如下：

• 一阶自回归 (AR1)
• 自回归移动平均值 (1,1) (ARMA11)
• 复合对称
• 对角线
• 已刻度的恒等式
• 空间：幂
• 空间：指数
• 空间：高斯
• 空间：线性
• 空间：线性对数
• 空间：球形
• Toeplitz
• 非结构化
• 方差成分