Lmer'da rastgele etkilerin nasıl belirtildiği ile ilgili sorular


55

Kısa bir süre önce, kelime farklı bağlamlarda görüntülendiğinde ERP (EEG) ölçülerek tekrarlanan maruz kalmalar (uygulama: 1. gün - 10. gün) boyunca yeni bir kelimenin anlamının nasıl elde edildiğini ölçtüm. Ayrıca bağlamın özelliklerini de kontrol ettim, örneğin yeni kelime anlamını keşfetmede (yüksekden düşüke). Özellikle uygulamanın etkisiyle (günler) ilgileniyorum. Bireysel ERP kayıtları gürültülü olduğundan, ERP bileşen değerleri, belirli bir koşulun denemelerinin ortalaması alınarak elde edilir. lmerFonksiyonu ile aşağıdaki formülü uyguladım:

lmer(ERPindex ~ practice*context + (1|participants), data=base) 

ve

lmer(ERPindex ~ practice*context + (1+practice|participants), data=base) 

Ayrıca literatürde aşağıdaki rastgele etkilerin eşdeğeri gördüm:

lmer(ERPindex ~ practice*context + (practice|participants) + 
                (practice|participants:context), data=base) 

Formdaki rasgele bir faktör kullanılarak neler başarılır participants:context? Sadece matris cebir bilgisine sahip olan birisinin doğrusal karışık modellerde hangi rasgele faktörleri yaptığını ve nasıl seçilmeleri gerektiğini tam olarak anlamasını sağlayacak iyi bir kaynak var mı?

Yanıtlar:


77

Her çağrınızın hangi modeline lmer()uyduğunu ve bunların nasıl farklı olduklarını açıklayacağım ve ardından rastgele efektlerin seçilmesiyle ilgili son sorunuza cevap vereceğim.

Senin üç modellerin her biri için etkileri sabit içeren practice, contextve ikisi arasındaki etkileşim. Rastgele etkiler modeller arasında farklılık gösterir.

lmer(ERPindex ~ practice*context + (1|participants), data=base) 

aynı değere sahip bireyler tarafından paylaşılan rastgele bir engelleme içerir participants. Yani, her birinin participantregresyon çizgisi ortalama ile rastgele bir miktar yukarı / aşağı kaydırılır .0

lmer(ERPindex ~ practice*context + (1+practice|participants), data=base) 

Bu model, rastgele bir kesişmeye ek olarak, ayrıca içinde rastgele bir eğim içerir practice. Bu, bireylerin uygulamadan öğrenme hızlarının kişiden kişiye farklı olduğu anlamına gelir. Eğer bir birey pozitif rastgele bir etkiye sahipse, o zaman pratikte ortalamadan daha hızlı artar, negatif rastgele bir etki ise pratikte ortalamadan daha az hızlı öğrendiklerini gösterir veya rastlantısal varyansa bağlı olarak pratikte daha da kötüleşir. etki (bu, uygulamanın sabit etkisinin olumlu olduğunu varsayar).

lmer(ERPindex ~ practice*context + (practice|participants) + 
                (practice|participants:context), data=base) 

Bu model , önceki modelde olduğu gibi rastgele bir eğime uyuyor ve kesişiyor practice( kesişmeyi (practice-1|...)bastırmak zorundasınız ), ama şimdi aynı zamanda tesadüfi participants:contextolan yeni bir faktör olan faktöre rastgele bir eğim ve kesişme noktası eklediniz. mevcut düzeylerinin her bileşimidir participantsve contextkarşılık gelen rastgele etki hem de aynı değere sahip gözlemler tarafından paylaşılır participantsve context. Bu modeli sığdırmak için ikisi için de aynı değerlere sahip birden gözlemler olması gerekir participantsvecontextya da model tahmin edilebilir değildir. Pek çok durumda, bu etkileşim değişkeni tarafından oluşturulan gruplar çok seyrektir ve rastgele etki modellerine uyması çok gürültülü / zordur, bu nedenle bir gruplandırma değişkeni olarak etkileşim faktörü kullanırken dikkatli olmak istersiniz.

Temel olarak (okuma: çok karmaşık olmadan), veri gruplarında gruplama değişkenlerinin homojen olmayan "cepler" tanımladığını veya gruplandırma faktörünün seviyesini paylaşan bireylerin birbirleriyle ilişkilendirilmesi gerektiğini düşündüğünüzde rastgele etkiler kullanılmalıdır. ilişkilendirilmemesi gereken bireyler) - rastgele etkiler bunu başarır. Her iki seviyelerini paylaşan gözlemlerini düşünüyorsanız participantsve contextdaha sonra uygun olabilir "etkileşim" rastgele bir etki olmak üzere iki parçalarının toplamından daha fazla benzerdir.

Düzenleme: @Henrik, yorumlardaki gibi, sizin için uygun olan modeller, örneğin:

lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)

rastgele eğim ve rastgele engellemenin birbiriyle korele olmasını ve bu korelasyonun model tarafından tahmin edilmesini sağlayın. Modeli, rastgele eğim ve rastgele engellemenin ilişkisiz olmadığı (ve dolayısıyla normalde dağıldıkları için bağımsız) ilişkisiz olacak şekilde kısıtlamak için, modele uymalısınız:

lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants), 
     data=base)

Bu ikisi arasındaki seçim, örneğin, participantortalamadan daha yüksek bir taban çizgisine sahip (yani, pozitif bir rastgele engelleme) sinin, ortalamadan (yani, pozitif rastgele eğim) daha yüksek bir değişim oranına sahip olup olmayacağına göre yapılmalıdır . Öyleyse, ikisinin ilişkilendirilmesine izin verirsiniz, oysa değilse, onları bağımsız olmaları için kısıtlarsınız. (Yine, bu örnekte sabit etki eğiminin pozitif olduğu varsayılmaktadır).


2
Seçici olmak istemem, ama ikinci model de kesişme ve eğimler arasındaki korelasyonu içermiyor. Sadece yamaçları eklemek olmalı: lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)Yoksa yanlış mıyım? (İlişkisiz: Yazımdaki küçük düzenlemelerimden özür dilerim. Açıklamaya katılmıyorsanız, tekrar değiştirin)
Henrik

@Henrik, evet, iki rastgele etki arasındaki ilişkiyi de tahmin etmekte haklısınız. Bu cevabı yazarken, basit bir "iki kuruş" tanımlaması olmayan rastgele etkiler arasındaki korelasyondan bahsetmeyi de içermeyen bu modellerle neler olup bittiği hakkında "büyük bir resim" fikri vermeye çalışıyordum. eğim ve kesişme şekli :) Herhangi bir durumda, bu ihmalin cevabımı yaptığım yorumu yanlış yaptığını sanmıyorum. Btw, düzenleme için teşekkürler.
Makro

1
@Henrik, rastgele etkilerin korelasyonla karşılaştırılmamış hale getirilmesi arasındaki farkı, cevabı iyileştirdiğini düşündüğüm için bir not ekledim.
Makro

Teşekkürler. Karışık modelleme meselesine girmeye çalışıyorum ve aynı zamanda hangi rasgele etki yapısının nasıl ve ne zaman kullanılacağı sorusuyla mücadele ediyorum, sadece emin olmak istedim. Özetle, büyük cevap (+1).
Henrik,

1
@pom, iltifatınız için teşekkürler. Ynt: yorumunuz, bunu benzetilmiş veriler üzerinde test ettim ve sanırım geriye dönük olduğunuzu düşünüyorum. Düzenlememin altındaki ikinci model, ilk olandan daha az parametre içeriyor. Bunun nedeni, ikinci modelin, iki rasgele etki arasındaki korelasyonun sıfır olmasıdır. Bunun dışında modeller aynı. Neyle karşılaştığınızdan emin değilim ama tekrarlanabilir bir örnek yardımcı olabilir. İşte benimki:x <-rnorm(1000); id <- rep(1:100,each=10); y <- rnorm(1000); g <- lmer(y ~ (1+x|id)); g2 <- lmer(y ~ (1|id) + (x-1|id)); attr(logLik(g),"df"); attr(logLik(g2),"df");
Makro

13

@ Macro burada iyi bir cevap verdi, sadece küçük bir nokta eklemek istiyorum. Durumunuzdaki bazı insanlar kullanıyorsa:

lmer(ERPindex ~ practice*context + (practice|participants) + 
                (practice|participants:context), data=base) 

Bir hata yaptıklarından şüpheleniyorum. Şunu düşünün: Her birinin (practice|participants)etkisi için rastgele bir eğim (ve kesişme) olduğu anlamına gelir , oysa her kombinasyonun etkisi için rastgele bir eğim (ve kesişme) olduğu anlamına gelir . İstedikleri buysa Bu, iyi, ama ben istedikleri şüpheli için rasgele eğim (ve kesim) olduğu anlamına gelir ki, etkileşim etkisi ait her biri için . practiceparticipant(practice|participants:context)practiceparticipant by context (practice:context|participants)practice by contextparticipant


4

Rastgele efektler veya karışık efektler modelinde, gözlemlediğiniz efekti, efektlerin olasılık dağılımından çekiliyormuş gibi ele almak istediğinizde, rastgele bir efekt kullanılır.

Verebileceğim en iyi örneklerden biri, çok merkezli bir klinik araştırmaya ait klinik deneme verilerinin modellenmesidir. Bir site etkisi genellikle rastgele bir etki olarak modellenir. Bu, denemede fiilen kullanılan 20 kadar alanın çok daha büyük bir potansiyel alan grubundan çekilmesi nedeniyle yapılır. Uygulamada, seçim rastgele olmamıştır, ancak hala sanki öyleymiş gibi davranılması yararlı olabilir.

Site etkisi sabit bir etki olarak modellenmiş olsa da, seçilen 20 siteden oluşan farklı bir sitenin etkisinin farklı olacağı gerçeğini hesaba katmazsak, sonuçları daha geniş bir popülasyona genelleştirmek zor olacaktır. Rastgele bir etki olarak ele almak bize bu şekilde bakmamızı sağlar.


1
-1 çünkü bu cevap burada asıl soruları ele almıyor.
amip diyor Reinstate Monica
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.