LME modellerinin, doğruluk verilerinin analizinde (yani, psikoloji deneylerinde) daha geleneksel olduğunu, geleneksel yaklaşımların (örneğin ANOVA) yapamayacağı binom ve normal olmayan dağılımlarla çalışabildiklerini duydum.
LME modellerinin bu diğer dağıtımları dahil etmelerine izin veren matematiksel temeli nedir ve bunu açıklayan teknik olmayan bazı makaleler nelerdir?
Yanıtlar:
Karışık efekt modellerinin en büyük faydalarından biri, gözlemler arasında bağımsızlık almamaları ve bir birim veya küme içinde ilişkili gözlemler olabilmeleridir.
"Rastgele ve Karışık Efektler" bölümünün ilk bölümünde "S ile Modern Uygulamalı İstatistikler" (MASS) bölümünde kısaca ele alınmaktadır. V&R, bu bölümde ANOVA ve lme'yi karşılaştıran benzin verileri içeren bir örnek üzerinde ilerliyor, bu yüzden iyi bir genel bakış. R fonksiyonu kullanılmak üzere lmede nlmepaket.
Model formülasyonu Laird ve Ware'e (1982) dayanmaktadır, bu nedenle bir giriş için kesinlikle iyi olmamasına rağmen, bunu birincil kaynak olarak ifade edebilirsiniz.
Ayrıca John Fox'un "Uygulamalı Regresyona An R ve S-PLUS Arkadaşı " na "Doğrusal Karışık Modeller" (PDF) ekine de göz atabilirsiniz . Ve Roger Levy tarafından bu ders (PDF) çok değişkenli normal dağılıma wrt karışık etkiler modellerini anlatılır.
LMM'lerin genel yaklaşımını ve ANOVA üzerindeki avantajlarını açıklayan çok iyi bir makale:
Doğrusal karışık etkiler modelleri (LMM'ler), regresyon modellerini, yalnızca bireysel gözlemler düzeyinde değil, örneğin insanlar veya nesneler düzeyinde, artıklara benzer bileşenlere, rastgele etkilere sahip olacak şekilde genelleştirir. Modeller çok esnektir, örneğin değişen eğimlerin ve kesişimlerin modellenmesine izin verir.
LMM'ler bir tür olasılık işlevi, verilerinizin bir parametre verildiği olasılığı ve parametrelerle uğraşarak bunu (Maksimum Olabilirlik Tahmini; MLE) en üst düzeye çıkarmak için bir yöntem kullanarak çalışır. MLE, ikili ve sayım verileri için olanlar gibi birçok farklı modelin verilere eklenmesine izin veren çok genel bir tekniktir ve bir dizi yerde, örneğin,
Bununla birlikte, LMM'ler ikili veri veya sayım gibi Gauss dışı verilerle başa çıkamaz; bunun için Genelleştirilmiş Doğrusal Karışık Etkili Modellere (GLMM'ler) ihtiyacınız vardır. Bunları anlamanın bir yolu ilk olarak GLM'lere bakmaktır; ayrıca bkz. Agresti (2007).
LME'nin doğruluk verilerini analiz etmede ana avantajı, bir dizi rastgele etkiyi hesaba katma yeteneğidir. Psikoloji deneylerinde araştırmacılar genellikle öğeleri ve / veya katılımcıları bir araya getirir. İnsanlar yalnızca birbirinden farklı olmakla kalmaz, öğeler de farklıdır (örneğin, bazı kelimeler daha belirgin veya akılda kalıcı olabilir). Bu değişkenlik kaynaklarını göz ardı etmek genellikle doğruluk değerlerinin düşük olmasına yol açar (örneğin daha düşük d 'değerleri). Her ne kadar katılımcı toplama sorunu bir şekilde bireysel tahminle ele alınabilse de, madde etkileri hala mevcuttur ve genellikle katılımcı etkilerinden daha büyüktür. LME, sadece her iki rastgele efekti eşzamanlı olarak ele almanıza izin vermekle kalmaz, aynı zamanda bunlara özellikle ek öngörücü değişkenler (yaş, eğitim seviyesi, kelime uzunluğu, vb.) Eklemenize izin verir.
Özellikle dilbilim ve deneysel psikoloji alanlarına odaklanan LME'ler için gerçekten iyi bir referans Dilsel Verileri Analiz Etmek : R'yi Kullanarak İstatistiğe Pratik Bir Giriş
şerefe