W tym węźle tworzony jest uogólniony liniowy model mieszany (GLMM).

Uogólnione liniowe modele mieszane obejmują szeroki wachlarz modeli, począwszy od prostych modeli regresji liniowej, aż po złożone wielopoziomowe modele dla danych z obserwacji długofalowych nieposiadających rozkładu normalnego.

Przykłady. Rada szkoły dzielnicowej może używać uogólnionego liniowego modelu mieszanego w celu ustalenia, czy eksperymentalna metoda nauczania skutecznie poprawia wyniki z matematyki. Uczniowie z tej samej klasy powinni zostać skorelowani, ponieważ są nauczani przez tego samego nauczyciela, a klasy w tej samej szkole również mogą być skorelowane, co umożliwia nam uwzględnienie efektów losowych na poziomie szkoły i klasy w celu uwzględnienia różnych źródeł zmienności.

Badacze pracujący w dziedzinach medycznych mogą używać uogólnionego liniowego modelu mieszanego w celu ustalenia, czy nowy lek przeciwdrgawkowy może zmniejszać częstotliwość ataków padaczkowych u pacjentów. Powtarzalne pomiary dla tego samego pacjenta są zwykle skorelowane pozytywnie, dlatego odpowiedni powinien być model mieszany z pewnymi efektami losowymi. Zmienna przewidywalna-liczba konfiskat-przyjmuje dodatnie wartości całkowite, więc może być odpowiedni uogólniony liniowy model mieszany z rozkładem Poissona i logarytmiczno-logarytmiczny link.

Kierownictwo u dostawcy telewizji kablowej, telefon i usługi internetowe mogą korzystać z uogólnionego liniowego modelu mieszanego, aby dowiedzieć się więcej o potencjalnych klientach. Możliwe odpowiedzi charakteryzują się nominalnymi poziomami pomiaru, dlatego analityk firmowy stosuje uogólniony liniowy mieszany model logit z losowym wyrazem wolnym w celu przechwytywania korelacji między odpowiedziami na pytania o korzystanie z usług różnych typów (telewizja, telefon, internet) w odpowiedziach konkretnego respondenta uczestniczącego w ankiecie.

W przypadku właściwości węzła opcje struktury danych pozwalają na określenie relacji strukturalnych między rekordami w zbiorze danych, gdy obserwacje są skorelowane. Jeśli rekordy w zbiorze danych reprezentują niezależne obserwacje, nie ma potrzeby określania opcji struktury danych.

Tematy. Połączenie wartości wybranych zmiennych jakościowych powinno w sposób jednoznaczny definiować obiekty w zbiorze danych. Na przykład, pojedyncze pole Patient ID powinno być wystarczające do zdefiniowania tematów w jednym szpitalu, ale kombinacja Hospital ID i Patient ID może być konieczna, jeśli numery identyfikacyjne pacjenta nie są unikalne w poszczególnych szpitalach. Przy wielokrotnych pomiarach dla każdego obiektu zapisywane są wielokrotne obserwacje. Z tego powodu jeden obiekt może być w zbiorze danych przedstawiany w wielu rekordach.

Obiekt jest jednostka obserwacyjną, która może być rozważana niezależnie od innych obiektów. Na przykład odczyty ciśnienia krwi pacjenta w badaniu medycznym mogą być traktowane jako niezależne od odczytów innych pacjentów. Definiowanie obiektów staje się szczególnie istotne, gdy istnieją wielokrotne pomiary na każdy obiekt i gdy wymagane jest modelowanie korelacji między tymi obserwacjami. Na przykład można oczekiwać, że pomiary ciśnienia krwi u jednego pacjenta podczas kolejnych wizyt u lekarza będą skorelowane.

Wszystkie pola określone jako obiekty we właściwościach węzła są używane do definiowania obiektów dla struktury kowariancji reszt, a także udostępnia listę możliwych pól definiujących obiekty dla struktur kowariancji efektów losowych w bloku efektów losowych.

Powtarzane miary. Zmienne określone w tym miejscu służą do identyfikowania obserwacji powtórzonych. Na przykład pojedyncza zmienna Week może identyfikować 10 tygodni obserwacji w badaniu medycznym, a Month i Day mogą być używane razem w celu identyfikowania obserwacji dziennych w ciągu roku.

Definiuj grupy kowariancji według. Zmienne jakościowe określone w tym miejscu definiują niezależne zestawy parametrów kowariancji efektów powtarzanych; po jednej dla każdej kategorii zdefiniowanej przez klasyfikację krzyżową zmiennych grupujących. Wszystkie obiekty mają ten sam typ kowariancji, a obiekty w obrębie tej samej grupy kowariancji będą miały takie same wartości dla parametrów.

Współrzędne kowariancji przestrzennej. Gdy jeden z typów kowariancji przestrzennej wybrano jako typ struktury kowariancji, zmienne na tej liście określają współrzędne powtarzanych obserwacji.

Typ kowariancji powtórzonej. Określa strukturę kowariancji dla reszt. Dostępne są następujące struktury:

• Autoregresja pierwszego rzędu (AR1)
• Autoregresyjna średnia ruchoma (1,1) (ARMA11)
• Symetria złożona
• Przekątna
• Skalowana tożsamość
• Przestrzenna: potęgowa
• Przestrzenna: wykładnicza
• Przestrzenna: Gaussa
• Przestrzenna: liniowa
• Przestrzenna: liniowo-logarytmiczna
• Przestrzenna: sferyczna
• Toeplitza
• Nieustrukturalizowana
• Składowe wariancji