线性混合模型 (LMM) 与广义线性混合模型 (GLMM) 的区别

线性混合模型 (LMM) 和广义线性混合模型 (GLMM) 是统计学中常用的模型类型，用于分析具有多层次结构和重复测量数据的问题。

LMM 是一种扩展了线性回归模型的模型类型，用于处理多层次数据。LMM 允许在模型中引入随机效应，考虑到数据的层次结构和相关性。LMM 假设响应变量是连续的，且服从正态分布。LMM 常用于分析实验设计中存在随机效应的数据，例如长期观察研究或者家族研究。

GLMM 是在 LMM 的基础上进一步扩展的模型类型，用于处理非正态的响应变量。GLMM 允许响应变量服从广义线性模型的分布，如二项分布、泊松分布或者伽玛分布等。GLMM 还可以在模型中引入随机效应，处理多层次数据和相关性。GLMM 常用于分析二分类、计数数据或者非正态数据的问题，例如分析药物试验中的治疗效果、分析计数数据的发生率等。

总结起来，LMM 适用于连续响应变量且服从正态分布的情况，而 GLMM 适用于非正态响应变量的情况，可以处理二分类、计数数据或者非正态数据。