Doğrusal karışık modellerin tuzakları

Doğrusal karma efekt modellerini kullanmanın bazı temel tuzakları nelerdir? Modelinizin uygunluğunu değerlendirirken test etmeniz / dikkat etmeniz gereken en önemli şeyler nelerdir? Aynı veri kümesinin modellerini karşılaştırırken, aranacak en önemli şeyler nelerdir?

Bu iyi bir soru.

İşte bazı yaygın tuzaklar:

1. Standart bir olasılık teorisi kullanılarak, iç içe geçmiş iki hipotez, karşılaştırma için bir test türetilebildiği ve H 1 olabilirlik oran testi istatistiğini hesaplanmasıyla. Bu test istatistiğinin null dağılımı, iki parametre boşluğunun boyutlarındaki farka eşit olan serbestlik dereceleri ile yaklaşık olarak kare şeklindedir. Ne yazık ki, bu test sadece yaklaşıktır ve birkaç varsayım gerektirir. Önemli bir varsayım, null değerinin altındaki parametrelerin parametre boşluğunun sınırında olmamasıdır. Sık sık, formu alan rastgele etkiler hakkında hipotezleri test etmekle ilgilendiğimizden: H 0 : σ 2 = 0 Bu gerçek bir endişe.$H_0$$H_1$

   $$H_0: \sigma^2=0$$ Bu sorunu aşmanın yolu REML kullanmaktır. Ancak yine de, p değerleri olması gerekenden daha büyük olma eğilimindedir. Bu, χ2 yaklaşımını kullanarak önemli bir etki gözlemlerseniz, bunun gerçekten önemli olduğundan emin olabilirsiniz. Küçük ancak anlamlı olmayan p değerleri, birini daha doğru ancak zaman alıcı önyükleme yöntemleri kullanmaya teşvik edebilir.

2. Sabit efektleri karşılaştırma: Yalnızca sabit efektlerinde farklılık gösteren iki iç içe modeli karşılaştırmak için olasılık oranı testini kullanmayı planlıyorsanız, REML tahmin yöntemini kullanamazsınız. Bunun nedeni, REML'nin sabit etkileri kaldıran verilerin doğrusal kombinasyonlarını dikkate alarak rastgele etkileri tahmin etmesidir. Bu sabit etkiler değişirse, iki modelin olasılıkları doğrudan karşılaştırılamaz.

3. P-değerleri: Olası oran testi tarafından sabit etkiler için üretilen p-değerleri yaklaşıktır ve maalesef çok küçük olma eğilimindedir, bu nedenle bazen bazı etkilerin önemini abartıyor. Olasılık oranı testi için daha doğru p değerleri bulmak için parametrik olmayan bootstrap yöntemlerini kullanabiliriz .

4. Doug Bates [ burada ] tarafından vurgulanan sabit etkiler testi için p-değerleri ile ilgili başka endişeler de vardır .

Forumun diğer üyelerinin daha iyi cevaplar alacağından eminim.

Kaynak: R - Dr. Julain Faraway ile doğrusal modellerin genişletilmesi.

Gördüğüm ortak tuzak, rastgele etkilerin varyansını görmezden gelmek. Bağımlı değişkenin kalıntı varyansı veya varyansı ile karşılaştırıldığında büyükse, uyum genellikle güzel görünür, ancak yalnızca rastgele etkiler tüm varyansı açıkladığı için. Ancak gerçek ve tahmin edilen grafik güzel göründüğünden, modelinizin iyi olduğunu düşünmeye eğilimlisiniz.

Böyle bir model yeni verileri tahmin etmek için kullanıldığında her şey parçalanır. Genellikle o zaman sadece sabit efektler kullanabilirsiniz ve uyum çok zayıf olabilir.

Varyans yapısının modellenmesi, karışık modellerin tartışmasız en güçlü ve önemli tek özelliğidir. Bu, gözlemler arasındaki korelasyonu içerecek şekilde varyans yapısının ötesine uzanır. Uygun bir kovaryans yapısının oluşturulmasına özen gösterilmelidir, aksi takdirde hipotez, güven aralıkları ve tedavi araçlarının tahminleri geçerli olmayabilir. Genellikle doğru rastgele etkileri belirlemek için deney bilgisine ihtiyaç duyulur.

Karma Modeller için SAS, R'deki analizi yapmak istesem bile kaynağa gitmemdir.