Perangkap model campuran linier

Apa saja jebakan utama dari penggunaan model efek campuran linier? Apa hal terpenting yang harus diuji / diperhatikan dalam menilai kesesuaian model Anda? Saat membandingkan model-model dari dataset yang sama, apa hal terpenting yang harus dicari?

Ini pertanyaan yang bagus.

Berikut ini beberapa perangkap umum:

1. Dengan menggunakan teori kemungkinan standar, kami dapat melakukan tes untuk membandingkan dua hipotesis bertingkat, dan , dengan menghitung statistik uji rasio kemungkinan. Distribusi nol statistik uji ini kira-kira chi-kuadrat dengan derajat kebebasan yang sama dengan perbedaan dimensi dua ruang parameter. Sayangnya, tes ini hanya perkiraan dan membutuhkan beberapa asumsi. Salah satu asumsi penting adalah bahwa parameter di bawah nol tidak pada batas ruang parameter. Karena kita sering tertarik untuk menguji hipotesis tentang efek acak yang berbentuk: Ini adalah masalah nyata.$H_0$$H_1$

   $$H_0: \sigma^2=0$$ Cara untuk mengatasi masalah ini adalah menggunakan REML. Namun demikian, nilai-p akan cenderung lebih besar dari yang seharusnya. Ini berarti bahwa jika Anda mengamati efek signifikan menggunakan perkiraan χ2, Anda dapat cukup yakin bahwa itu sebenarnya signifikan. Nilai-p yang kecil, tetapi tidak signifikan, mungkin memacu seseorang untuk menggunakan metode bootstrap yang lebih akurat, tetapi memakan waktu.

2. Membandingkan efek tetap: Jika Anda berencana untuk menggunakan tes rasio kemungkinan untuk membandingkan dua model bersarang yang hanya berbeda dalam efek tetapnya, Anda tidak dapat menggunakan metode estimasi REML. Alasannya adalah bahwa REML memperkirakan efek acak dengan mempertimbangkan kombinasi linear dari data yang menghilangkan efek tetap. Jika efek tetap ini diubah, kemungkinan kedua model tidak akan secara langsung dapat dibandingkan.

3. Nilai-P: Nilai-p yang dihasilkan oleh uji rasio kemungkinan untuk efek tetap merupakan perkiraan dan sayangnya cenderung terlalu kecil, sehingga terkadang melebih-lebihkan pentingnya beberapa efek. Kami dapat menggunakan metode bootstrap nonparametrik untuk menemukan nilai p yang lebih akurat untuk uji rasio kemungkinan.

4. Ada kekhawatiran lain tentang nilai-p untuk uji efek tetap yang disorot oleh Dr. Doug Bates [di sini ].

Saya yakin anggota forum lainnya akan memiliki jawaban yang lebih baik.

Sumber: Memperluas model linier dengan R - Dr. Julain Faraway.

Perangkap umum yang saya lihat adalah mengabaikan varians dari efek acak. Jika itu besar dibandingkan dengan varians residual atau varians dari variabel dependen, fit biasanya terlihat bagus, tetapi hanya karena efek acak bertanggung jawab atas semua varians. Tetapi karena grafik aktual vs prediksi terlihat bagus, Anda cenderung berpikir bahwa model Anda baik.

Semuanya berantakan ketika model seperti itu digunakan untuk memprediksi data baru. Biasanya Anda hanya dapat menggunakan efek tetap dan pas bisa sangat buruk.

Pemodelan struktur varians bisa dibilang fitur tunggal yang paling kuat dan penting dari model campuran. Ini melampaui struktur varians untuk memasukkan korelasi di antara pengamatan. Kehati-hatian harus diambil untuk membangun struktur kovarians yang sesuai jika tidak, tes hipotesis, interval kepercayaan, dan perkiraan cara pengobatan mungkin tidak valid. Seringkali seseorang membutuhkan pengetahuan percobaan untuk menentukan efek acak yang benar.

SAS untuk Model Campuran adalah sumber daya saya, walaupun saya ingin melakukan analisis di R.