Propiedades de glmmnode | IBM Cloud Pak for Data as a Service

Volver a la versión inglesa de la documentación

Propiedades de glmmnode

Última actualización: 07 oct 2024

Propiedades de glmmnode

Icono de nodo GLMM Un modelo lineal mixto generalizado (GLMM) amplía el modelo lineal de modo que el objetivo pueda tener una distribución no normal, esté linealmente relacionado con los factores y covariables mediante una función de enlace especificada y las observaciones se puedan correlacionar. Los modelos GLMM cubren una amplia variedad de modelos, desde la regresión lineal simple hasta modelos multinivel complejos para datos longitudinales no normales.

Tabla 1. propiedades de glmmnode
Propiedades de `glmmnode`	Valores	Descripción de la propiedad
`residual_subject_spec`	estructurado	La combinación de valores de los campos categóricos especificados que definen de forma exclusiva los sujetos del conjunto de datos.
`repeated_measures`	estructurado	Campos utilizados para identificar observaciones repetidas.
`residual_group_spec`	[field1 ... fieldN]	Campos que definen conjuntos independientes de parámetros de covarianza de efectos repetidos.
`residual_covariance_type`	`Diagonal` `AR1` `ARMA11` `COMPOUND_SYMMETRY` `IDENTITY` `TOEPLITZ` `UNSTRUCTURED` `VARIANCE_COMPONENTS`	Especifica la estructura de covarianza de residuos.
`custom_target`	distintivo	Indica si se debe utilizar el destino definido en el nodo en sentido ascendente (`false`) o el destino personalizado especificado por `target_field` (`true`).
`target_field`	campo	Campo a utilizar como destino si `custom_target` es `true`.
`use_trials`	distintivo	Indica si hay que utilizar el campo adicional o el valor que especifica el número de ensayos cuando la respuesta objetivo es un número de eventos que tienen lugar en un conjunto de ensayos. El valor predeterminado es `false`.
`use_field_or_value`	`Field` `Value`	Indica si se utiliza el campo (valor predeterminado) o valor para especificar el número de ensayos.
`trials_field`	campo	Campo a utilizar para especificar el número de ensayos.
`trials_value`	entero	Valor a utilizar para especificar el número de ensayos. Si se especifica, el valor mínimo es 1.
`use_custom_target_reference`	distintivo	Indica si hay que utilizar la categoría de referencia personalizada para un objetivo categórico. El valor predeterminado es `false`.
`target_reference_value`	serie	Categoría de referencia a utilizar si `use_custom_target_reference` es `true`.
`dist_link_combination`	`Nominal` `Logit` `GammaLog` `BinomialLogit` `PoissonLog` `BinomialProbit` `NegbinLog` `BinomialLogC` `Custom`	Modelos comunes para la distribución de valores de objetivo. Seleccione `Custom` para especificar una distribución de la lista proporcionada por `target_distribution`.
`target_distribution`	`Normal` `Binomial` `Multinomial` `Gamma` `Inverse` `NegativeBinomial` `Poisson`	Distribución de valores para el destino cuando `dist_link_combination` es `Custom`.
`link_function_type`	`Identity` `LogC` `Log` `CLOGLOGLogit` `NLOGLOGPROBIT` `POWER` `CAUCHIT`	Función de enlace para relacionar valores de de destino con predictores. Si `target_distribution` es `Binomial` puede utilizar cualquier de las funciones de enlace listadas. Si `target_distribution` es `Multinomial` puede utilizar `CLOGLOG`, `CAUCHIT`, `LOGIT`, `NLOGLOG`o `PROBIT`. Si `target_distribution` es cualquier cosa que no sea `Binomial` o `Multinomial` , puede utilizar `IDENTITY`, `LOG`o `POWER`.
`link_function_param`	número	Valor del parámetro de función de enlace que hay que utilizar. Sólo es aplicable si `normal_link_function` o `link_function_type` es `POWER`.
`use_predefined_inputs`	distintivo	Indica si los campos de efecto fijo son los definidos en sentido ascendente como campos de entrada (`true`) o los de `fixed_effects_list` (`false`). El valor predeterminado es `false`.
`fixed_effects_list`	estructurado	Si `use_predefined_inputs` es `false`, especifica los campos de entrada para utilizarlos como campos de efecto fijo.
`use_intercept`	distintivo	Si `true` (valor predeterminado), incluye la intersección en el modelo.
`random_effects_list`	estructurado	Lista de campos para especificar como efectos aleatorios.
`regression_weight_field`	campo	Campo a utilizar como campo de ponderación de análisis.
`use_offset`	`Noneoffset_valueoffset_field`	Indica cómo se especifica la compensación. El valor `None` significa que no se utiliza ningún desplazamiento.
`offset_value`	número	Valor a utilizar para el desplazamiento si `use_offset` está establecido en `offset_value`.
`offset_field`	campo	Campo a utilizar para el valor de desplazamiento si `use_offset` se establece en `offset_field`.
`target_category_order`	`AscendingDescendingData`	Orden de clasificación para objetivos categóricos. El valor `Data` especifica el uso del orden de clasificación encontrado en los datos. El valor predeterminado es `Ascending`.
`inputs_category_order`	`AscendingDescendingData`	Orden de clasificación para predictores categóricos. El valor `Data` especifica el uso del orden de clasificación encontrado en los datos. El valor predeterminado es `Ascending`.
`max_iterations`	entero	Número máximo de iteraciones que ejecutará el algoritmo. Un número entero no negativo; el valor predeterminado es 100.
`confidence_level`	entero	Nivel de confianza utilizado para calcular estimaciones de intervalo de los coeficientes del modelo. Un número entero no negativo; el valor máximo es 100, el valor predeterminado es 95.
`degrees_of_freedom_method`	`FixedVaried`	Especifica cómo se calculan los grados de libertad para la prueba de significación.
`test_fixed_effects_coeffecients`	`ModelRobust`	Método para calcular la matriz de covarianza de las estimaciones de los parámetros.
`use_p_converge`	distintivo	Opción para la convergencia de parámetros.
`p_converge`	número	Blanco, o cualquier valor positivo.
`p_converge_type`	`AbsoluteRelative`
`use_l_converge`	distintivo	Opción para la convergencia log-likelihood.
`l_converge`	número	Blanco, o cualquier valor positivo.
`l_converge_type`	`AbsoluteRelative`
`use_h_converge`	distintivo	Opción para la convergencia hessiana.
`h_converge`	número	Blanco, o cualquier valor positivo.
`h_converge_type`	`AbsoluteRelative`
`max_fisher_step`	entero
`sing_tolerance`	número
`use_model_name`	distintivo	Indica si se debe especificar un nombre personalizado para el modelo (`true`) o utilizar el nombre generado por el sistema (`false`). El valor predeterminado es `false`.
`model_name`	serie	Si `use_model_name` es `true`, especifica el nombre del modelo a utilizar.
`confidence`	`onProbabilityonIncrease`	Base para calcular el valor de confianza de la puntuación: probabilidad más alta predicha, o la diferencia entre la probabilidad más alta predicha y la segunda probabilidad más alta.
`score_category_probabilities`	distintivo	Si `true`, produce probabilidades pronosticadas para destinos categóricos. El valor predeterminado es `false`.
`max_categories`	entero	Si `score_category_probabilities` es `true`, especifica el número máximo de categorías a guardar.
`score_propensity`	distintivo	Si `true`, produce puntuaciones de propensión para los campos de destino de distintivo que indican la probabilidad de un resultado "verdadero" para el campo.
`emeans`	structure	Para cada campo categórico de la lista de efectos fijos, especifica si hay que producir medias marginales estimadas.
`covariance_list`	structure	Para cada campo continuo de la lista de efectos fijos, especifica si hay que usar la media o un valor personalizado al calcular medias marginales estimadas.
`mean_scale`	`OriginalTransformed`	Especifica si las medias marginales estimadas se calculan basándose en la escala original del objetivo (valor predeterminado) o en la transformación de la función de enlace.
`comparison_adjustment_method`	`LSDSEQBONFERRONISEQSIDAK`	Método de ajuste que hay que utilizar al realizar pruebas de hipótesis con varios contrastes.
`use_trials_field_or_value`	`"field"` `"value"`
`residual_subject_ui_spec`	matriz	Especificación de sujeto residual: La combinación de los valores de los campos categóricos especificados debe definir de forma exclusiva los sujetos del conjunto de datos. Por ejemplo, un único campo ID de paciente debería ser suficiente para definir los sujetos de un único hospital, pero puede que sea necesario combinar ID de hospital e ID de paciente si los números de identificación de paciente no son exclusivos entre varios hospitales.
`repeated_ui_measures`	matriz	Los campos especificados aquí se utilizan para identificar observaciones repetidas. Por ejemplo, una única variable Semana podría identificar las 10 semanas de observaciones en un estudio médico, o Mes y Día podrían utilizarse en conjunto para identificar observaciones diarias a lo largo de un año.
`spatial_field`	matriz	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.