이 노드는 일반화 선형 혼합 모델(GLMM)을 작성합니다.

일반화 선형 혼합 모델은 단순 선형 회귀에서 비정규 장기적인 데이터에 대한 복합 다중 수준 모델에 이르기까지 다양한 모델을 포함합니다.

예. 교육청은 일반화 선형 혼합 모델을 사용하여 실험적인 교수법이 수학 스코어 향상에 효과적인지 아닌지를 알 수 있습니다. 같은 교실에 있는 학생들은 같은 교사가 가르치므로 상관관계가 있어야 하고, 같은 학교 내의 교실 역시 상관관계가 있을 수 있으므로, 다양한 변동 소스를 고려하기 위해 학교 및 교실 수준에서 랜덤 효과를 포함할 수 있습니다.

의료 연구자들은 항경련제가 환자의 발작률을 줄일 수 있는지의 여부를 알아보기 위해 일반화 선형 혼합 모델을 사용할 수 있습니다. 같은 환자에게서 얻은 반복 측정은 대체로 양의 상관을 가지므로 일부 랜덤 효과가 있는 혼합 모델이 적합합니다. 대상 필드(발작 수)는 양수 값을 취하므로, 포아송 분포와 로그 링크가 있는 일반화 선형 혼합 모델이 적절할 수 있습니다.

TV, 전화 및 인터넷 서비스의 케이블 제공업체 대표는 일반화 선형 혼합 모델을 사용하여 잠재 고객에 대해 더 잘 알 수 있습니다. 가능한 답변이 명목 측정 수준이므로, 회사 분석가는 제공된 설문조사 응답자의 답변에서 서비스 유형(텔레비전, 전화기, 인터넷) 사이의 서비스 사용 질문에 대한 답변 사이의 상관관계를 캡처하기 위해 변량 절편의 일반화 로짓 혼합 모델을 사용합니다.

노드 특성에서 데이터 구조 옵션을 사용하면 관측값이 상호 관련될 때 데이터 세트를 구성하는 레코드 간의 구조적 관계를 지정할 수 있습니다. 데이터 세트의 레코드가 독립된 관측값을 나타낼 경우에는 데이터 구조 옵션을 지정할 필요가 없습니다.

개체. 지정된 범주형 필드 값의 조합은 데이터 세트 내의 개체를 고유하게 정의해야 합니다. 예를 들어, 단일 Patient ID 필드는 단일 병원에서 개체를 정의하기에 충분해야 하지만 Hospital ID 및 Patient ID 의 조합은 환자 식별 번호가 병원 전체에서 고유하지 않은 경우에 필요할 수 있습니다. 반복 측도 설정에서 각 개체마다 여러 관측을 기록하므로 각 개체는 데이터 세트에서 여러 레코드를 차지할 수 있습니다.

개체는 다른 개체에 대해 독립적인 것으로 간주할 수 있는 관측 단위입니다. 예를 들어, 의학 연구에서 한 환자의 혈압 기록은 다른 환자의 기록에 대해 독립적인 것으로 간주할 수 있습니다. 개체마다 반복 측정값이 있고 이러한 관측값 간의 상관을 모델링하려는 경우 개체를 정의하는 것이 매우 중요합니다. 예를 들어, 담당 의사에게 지속적으로 진찰을 받는 한 환자의 혈압 기록은 상호 관련된 것으로 예상할 수 있습니다.

노드 특성에서 제목으로 지정된 모든 필드는 잔류 공분산 구조에 대한 오브젝트를 정의하는 데 사용되며, 변량효과 블록에서 랜덤 효과 공분산 구조에 대한 제목을 정의하는 데 사용 가능한 필드 목록을 제공합니다.

반복 측도. 여기에 지정된 필드는 반복 관측값을 식별하는 데 사용됩니다. 예를 들어, 단일 변수 Week 은 의료 연구에서 10주동안의 관찰을 식별하거나 Month 및 Day 를 함께 사용하여 1년동안의 일일 관찰을 식별할 수 있습니다.

공분산 그룹 정의 기준. 여기에 지정된 범주형 필드는 독립된 반복 효과 공분산 모수 세트를 정의합니다. 각 범주의 모수는 그룹 필드의 교차 분류에 의해 정의됩니다. 모든 제목의 공분산 유형은 동일하며, 동일한 공분산 그룹 내의 제목은 동일한 매개변수 값을 갖습니다.

공간 공분산 좌표. 이 목록의 변수는 반복된 공분산 유형에 공간 공분산 유형 중 하나가 선택된 경우 반복되는 관찰의 좌표를 지정합니다.

반복 공분산 유형. 잔차에 대한 공분산 구조를 지정합니다. 사용 가능한 구조는 다음과 같습니다.

• 1차 자기회귀(AR1)
• 자귀회귀 이동 평균(1,1)(ARMA11)
• 복합 대칭
• 대각선
• 척도화 항등
• 공간: 거듭제곱
• 공간: 지수
• 공간: 가우스
• 공간: 선형
• 공간: 선형 로그
• 공간: 구형
• Toeplitz
• 비정형
• 분산 성분