广义线性混合模型GLMM(Generalized Linear Mixed Model),是广义线性模型GLM 和线性混淆模型LMM 的扩展形式,于二十世纪九十年代被提出。GLMM因其借鉴了混合模型的思想,其在处理纵向数据(重复测量资料)时,被认为具有独特的优势。GLMM不仅擅长处理重复测量资料,还可以用于任何层次结构的数据(因为本质上又是多水平模型)。广义线性混合模型GLMM,可以看做是线性混合模型LMM的扩展形式,使得因变量不再要求满足正态分布;也可以看作是GLM的扩展形式,使得可以同时包含固定效应和随机效应。

举个例子,我们认为疗效可能与服药时间相关,但是这个相关并不是简简单单的疗效随着服药时间的变化而改变。更可能的是疗效的随机波动的程度与服药时间有关。比如说,在早上10:00的时候,所有人基本上都处于半饱状态,此时吃药,相同剂量药物效果都差不多。但在中午的时候,有的人还没吃饭, 有的人吃过饭了,有的人喝了酒,结果酒精和药物起了反应,有的人喝了醋,醋又和药物起了另一种反应。显然,中午吃药会导致药物疗效的随机误差非常大。这种疗效的随机误差(而非疗效本身)随着时间的变化而变化,并呈一定分布的情况,必须用广义线性混合模型了。对于固定效应来说,参数的含义是,自变量每变化一个单位,应变量平均变化多少。而对于随机效应而言,参数是服从正态分布的一个随机变量,也就是说对于两个不同的自变量的值,对应变量的影响不一定是相同的。

GLM的缺点 GLM模型可以支持数据的多种分布,但是要求数据是独立不相关的,在遗传评估时,很显然数据不能满足要求。

可以使用

广义线性混合模型(GLMM)变量选择相关推荐

  1. 关于GLMM(generalized linear mixed model)广义线性混合模型

    文章目录 1.广义线性混合模型 2.GLMM的基本程序实现 2.1 Stata基本实现 2.2 R基本实现方法 3.GLMM的交叉项分析 3.1 Stata实现 3.2 R实现 4.置信区间的计算方法 ...

  2. R语言用Rshiny探索lme4广义线性混合模型(GLMM)和线性混合模型(LMM)

    随着软件包的进步,使用广义线性混合模型(GLMM)和线性混合模型(LMM)变得越来越容易.由于我们发现自己在工作中越来越多地使用这些模型,我们开发了一套R shiny工具来简化和加速与对象交互的lme ...

  3. 广义线性模型GLM、GLMM、LMM、MLM、GMM、GEE、广义线性模型GLM和广义线性混合模型的GLMM区别

    R语言广义线性模型GLM.GLMM.LMM.MLM.GMM.GEE.广义线性模型GLM和广义线性混合模型的GLMM区别 目录

  4. R语言贝叶斯广义线性混合(多层次/水平/嵌套)模型GLMM、逻辑回归分析教育留级影响因素数据...

    全文下载链接:http://tecdat.cn/?p=24203 本教程使用R介绍了具有非信息先验的贝叶斯 GLM(广义线性模型) (点击文末"阅读原文"获取完整代码数据). 当前 ...

  5. R语言广义加性模型GAMs:可视化每个变量的样条函数、样条函数与变量与目标变量之间的平滑曲线比较、并进行多变量的归一化比较、测试广义线性加性模型GAMs在测试集上的表现(防止过拟合)

    R语言广义加性模型GAMs:可视化每个变量的样条函数.样条函数与变量与目标变量之间的平滑曲线比较.并进行多变量的归一化比较.测试广义线性加性模型GAMs在测试集上的表现(防止过拟合) 目录

  6. 一般线性模型和混合线性模型_线性混合模型如何工作

    一般线性模型和混合线性模型 生命科学的数学统计和机器学习 (Mathematical Statistics and Machine Learning for Life Sciences) This i ...

  7. ❤️解决非线性回归问题的机器学习方法总结:多项式线性模型、广义线性(GAM)模型、回归树模型、支持向量回归(SVR)模型

    文章目录 前言 多项式回归模型 概念解释: sklearn实现多项式回归模型: 广义线性可加(GAM)模型 概念解释: pygam实现广义线性可加模型: GAM模型的优点与不足: 回归树模型 概念解释 ...

  8. spgwr | R语言与地理加权回归(Ⅰ-2):广义线性地理加权回归

    本篇来介绍基于广义线性模型的地理加权模型.广义线性模型包括Logistic模型.泊松模型等系列回归模型,具体内容请查看数学模型专辑的相关系列推文. 广义线性GWR的使用方法与线性GWR类似: ggwr ...

  9. scad的oracle性质,变量选择之SCAD算法

    SCAD的提出 据说学术界有一种现象叫做『大牛挖坑,小牛灌水』.而我等『小菜』就只有『吹水』的份了. 不过还真不要小看本『小菜』,根据著名的『六度分割理论』,我跟大牛的距离也是近的很呢. 不信我跟你算 ...

最新文章

  1. DCIM在数据中心现代化计划中的作用
  2. ECC椭圆曲线算法(2)初步介绍
  3. Android Studio 怎样打JAR包
  4. write up: web login1(SKCTF) --SQL约束攻击
  5. springboot配置https访问
  6. python面向对象继承_四. python面向对象(继承)
  7. 视差滚动的爱情故事之优化篇
  8. Linux——vim编辑器详解
  9. 在有网络还是比较好解决软件上的问题
  10. LINUX SHELL命令ls只列出目录名
  11. jquery $.post 超时_详解如何实现前端jquery中的ajax方法,看这一篇就够了
  12. 西电网络攻防大赛--渗透测试第五题
  13. iOS性能优化-列表卡顿
  14. 全球红外(IR)LED行业收入预计2028年达到13.699亿美元
  15. [快速学会Swift第三方库] SwiftyJSON篇
  16. java基本微信小程序的琴房预约管理系统 uniapp 小程序
  17. windows无法连接到打印机?三个方法连接打印机(Win10系统)
  18. Python守护进程daemon实现
  19. Animation动画效果的实现
  20. 2022秋-北邮计导期末考试(BUPT大一上)

热门文章

  1. 书单|互联网企业面试案头书之程序员软技能篇
  2. pythondis功能_python中dis的用法
  3. Excel表格的密码设置与取消
  4. smss.exe之wom毒
  5. 【第4期-智能驾驶汽车系列术语概念解析】第5节:龙格现象
  6. Linux 内核编程指南
  7. HDU-4069___Squiggly Sudoku —— 锯齿数独 + BFS
  8. Blocked a frame with origin “https://my.xxxxxxx.com“ from accessing a cross-origin frame.
  9. PDF和CDF图的区别
  10. Excel 2010 VBA 入门 093 数据处理之建立数组