JMP para modelos mixtos

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 5 votos.

Título original:

JMP for Mixed Models

Contenido del libro:

Descubra la potencia de los modelos mixtos con JMP y JMP Pro.

En la actualidad, los modelos mixtos son el método más utilizado para analizar datos experimentales. ¿Por qué? Podría decirse que son la forma más sencilla y potente de tratar observaciones correlacionadas en experimentos diseñados. Los modelos mixtos, que van mucho más allá de los modelos lineales estándar, le permiten realizar inferencias precisas y exactas sobre sus experimentos y obtener una comprensión más profunda de las fuentes de señal y ruido en el sistema estudiado. Los efectos fijos y aleatorios bien formados se generalizan bien y le ayudan a tomar las mejores decisiones basadas en los datos.

JMP para modelos mixtos aúna dos de las tradiciones más sólidas del software SAS: los modelos mixtos y JMP. La innovadora filosofía de JMP de integrar estrechamente la estadística con gráficos dinámicos es un entorno ideal para aprender y aplicar modelos mixtos, también conocidos como modelos lineales jerárquicos o multinivel. Si es usted científico o ingeniero, los métodos aquí descritos pueden revolucionar su forma de analizar datos experimentales sin necesidad de escribir código.

En su interior encontrará una rica colección de ejemplos y un enfoque paso a paso para el dominio de los modelos mixtos. Los temas incluyen:

⬤ Aprender a reconocer, configurar e interpretar adecuadamente los efectos fijos y aleatorios.

⬤ Ampliar el análisis de varianza (ANOVA) y la regresión lineal a numerosos diseños de modelos mixtos.

⬤ Comprender cómo funcionan los grados de libertad utilizando el ANOVA esquelético.

⬤ Analizar diseños de bloques aleatorios, parcelas divididas, longitudinales y de medidas repetidas.

⬤ Introducir métodos más avanzados como covarianza espacial y modelos mixtos lineales generalizados.

⬤ Simulación de modelos mixtos para evaluar la potencia y otras características importantes del muestreo.

⬤ Proporcionar un marco sólido para la comprensión de la modelización estadística en general.

⬤ Mejorar la perspectiva sobre los dilemas modernos en torno a los métodos bayesianos, los valores p y la inferencia causal.