Her biri iki koşulda birden çok kez ölçülen birden fazla insan katılımcıyla bir deney yapmayı düşünün. Karışık efektler modeli ( lme4 sözdizimi kullanılarak) şu şekilde formüle edilebilir:
fit = lmer(
formula = measure ~ (1|participant) + condition
)
Şimdi, bu modelin tahminleri için önyüklenmiş güven aralıkları oluşturmak istediğimi varsayalım. Bence basit ve hesaplamalı olarak etkili bir yöntem buldum ve eminim ilk düşünen ben değilim, ama bu yaklaşımı tanımlayan önceki yayınları bulmakta sorun yaşıyorum. İşte burada:
- Modeli takın (yukarıdaki gibi), buna "orijinal model" deyin
- Orijinal modelden tahminler alın, bunlara "orijinal tahminler" deyin
- Her bir katılımcıdan gelen her bir yanıtla ilişkili orijinal modelden kalıntılar edinin
- Kalanları yeniden örnekleyin, katılımcıları değiştirerek örnekleyin
- İçin Gauss hata ile doğrusal karışık etkiler modeli Fit artıkların , bu "geçici modeli" dediğimiz
- Her koşul için ara modelden tahminleri hesaplayın (bu tahminler sıfıra çok yakın olacaktır), bunlara "ara tahminler" deyin
- Orijinal tahminlere ara tahminler ekleyin, sonucu "yeniden örnek tahminler" olarak adlandırın
- CI'leri hesaplayabilen her koşul için yeniden örnek tahminlerinin bir dağılımını oluşturarak 4 ile 7 arasındaki adımları birçok kez tekrarlayın.
Basit regresyon bağlamında "artık önyükleme" prosedürlerini gördüm (yani karışık bir model değil), artıkların yeniden örnekleme birimi olarak örneklendiği ve daha sonra her bir yinelemeye yeni bir model yerleştirmeden önce orijinal modelin tahminlerine eklendiği önyükleme, ancak bu kalıntılar sadece insanlar, resampled ve asla ben açıklamak yaklaşımından ziyade farklı görünüyor sonraara model elde edilirse orijinal model tahminleri devreye girer. Bu son özellik, orijinal modelin karmaşıklığı ne olursa olsun, ara modelin her zaman bazı durumlarda çok daha hızlı olabilen bir gauss lineer karışık model olarak uygun olabilmesi açısından gerçekten güzel bir yan yararı vardır. Örneğin, son zamanlarda binom verileri ve 3 öngörücü değişkeni vardı, bunlardan biri kesinlikle doğrusal olmayan etkilere neden olacağından şüphelendiğim için, bir binomiyal bağlantı fonksiyonu kullanarak Genelleştirilmiş Katkı Karma Modelleme kullanmak zorunda kaldım . Bu durumda orijinal modelin takılması bir saatten fazla sürdü, oysa gaussian LMM'yi her yinelemeye oturtmak sadece birkaç saniye sürdü.
Zaten bilinen bir prosedür varsa, bu konuda öncelik talep etmek istemiyorum, bu yüzden daha önce tarif edilmiş olabilecek yerler hakkında bilgi sağlayabilirse çok minnettar olurum. (Ayrıca, bu yaklaşımla ilgili göze çarpan sorunlar varsa, bana bildirin!)