Questo nodo crea un modello misto lineare generalizzato GLMM (Generalized Linear Mixed Model).

I modelli GLMM includono un'ampia gamma di modelli, dalla regressione lineare semplice ai modelli multilivello complessi per i dati longitudinali non normali.

Esempi. Un provveditorato agli studi regionale può utilizzare il modello GLMM per stabilire se un metodo di insegnamento sperimentale è efficace nel migliorare i risultati in matematica degli studenti. Gli studenti della stessa classe devono essere correlati in quanto seguono lo stesso insegnante e anche le classi della stessa scuola possono essere correlate, in modo da poter includere gli effetti casuali a livello di scuola e di classe per tenere conto delle diverse sorgenti di variabilità.

I ricercatori in campo medico possono utilizzare un modello lineare generalizzato misto per determinare se un nuovo medicinale anticonvulsivo può ridurre la frequenza di crisi epilettiche in un paziente. Misurazioni ripetute dello stesso paziente sono generalmente correlate positivamente, pertanto un modello misto con alcuni effetti casuali dovrebbe essere appropriato. Il campo obiettivo, ovvero il numero delle crisi, accetta valori interi positivi, quindi un modello GLMM con una distribuzione di Poisson e collegamento logaritmico può essere appropriato.

I dirigenti di una società fornitrice di servizi TV, telefono e Internet via cavo possono servirsi di un modello GLMM per scoprire più informazioni in merito ai potenziali clienti. Poiché le risposte possibili hanno livelli di misurazione nominali, gli analisti della società utilizzano un modello misto logit generalizzato con un'intercettazione casuale per acquisire la correlazione tra le risposte alle domande in merito all'utilizzo dei vari tipi di servizi (tv, telefono, Internet) nelle risposte di un determinato rispondente all'indagine.

Nella proprietà del nodo, le opzioni della struttura dati consentono di specificare le relazioni strutturali tra i record di un dataset quando le osservazioni sono correlate. Se i record nel dataset rappresentano osservazioni indipendenti, non è necessario specificare alcuna opzione di struttura dati.

Soggetti. La combinazione di valori dei campi categoriali specificati deve definire in modo univoco i soggetti all'interno dell'insieme di dati. Ad esempio, un singolo campo Patient ID dovrebbe essere sufficiente per definire i soggetti in un singolo ospedale, ma la combinazione di Hospital ID e Patient ID potrebbe essere necessaria se i numeri di identificazione del paziente non sono univoci tra gli ospedali. Se sono previste più misurazioni, vengono registrate più osservazioni per ciascun soggetto, quindi è possibile che ciascun soggetto occupi più record nell'ambito dell'insieme dei dati.

Un soggetto è un'unità di osservazione che può essere considerata indipendente rispetto ad altri soggetti. Ad esempio, i risultati della misurazione della pressione sanguigna di un paziente in uno studio medico sono da considerarsi indipendenti rispetto alle misurazioni effettuate sugli altri pazienti. La definizione dei soggetti è particolarmente importante nel caso in cui esistano misurazioni ripetute per ciascun soggetto e si desideri modellare la correlazione tra queste osservazioni. Ci si potrebbe aspettare, per esempio, che le letture della pressione sanguigna di un paziente effettuate in occasione di visite al medico consecutive siano correlate.

Tutti i campi specificati come soggetti nelle proprietà del nodo sono utilizzati per definire i soggetti per la struttura di covarianza residua, e fornire l'elenco dei campi possibili per la definizione dei soggetti per le strutture di covarianza a effetti casuali sul Blocco effetti casuali.

Misure ripetute. I campi specificati qui vengono utilizzati per identificare le osservazioni ripetute. Ad esempio, una singola variabile Week potrebbe identificare le 10 settimane di osservazioni in uno studio medico o Month e Day potrebbero essere utilizzati insieme per identificare le osservazioni giornaliere nel corso di un anno.

Definisci i gruppi di covarianza per. I campi categorici specificati in questo punto definiscono insiemi indipendenti di parametri di covarianza a effetti ripetuti; uno per ciascuna categoria definita dalla classificazione incrociata dei campi di raggruppamento. Tutti i soggetti presentano lo stesso tipo di covarianza, i soggetti all'interno dello stesso gruppo di covarianza presentano gli stessi valori per i parametri.

Coordinate covarianza spaziale. Le variabili in questo elenco specificano le coordinate delle osservazioni ripetute quando uno dei tipi di covarianza spaziale viene selezionato per il tipo di covarianza ripetuta.

Tipo di covarianza ripetuta. Specifica la struttura di covarianza per i residui. Sono disponibili le seguenti strutture:

• Autoregressivo di primo ordine (AR1)
• Autoregressivo a media mobile (1,1) (ARMA11)
• Simmetria composta
• Diagonale
• Identità scalata
• Spaziale: Potenza
• Spaziale: Esponenziale
• Spaziale: Gaussiana
• Spaziale: Lineare
• Spaziale: Log lineare
• Spaziale: Sferica
• Toeplitz
• Non strutturato
• Componenti della varianza