적어도 조정되지 않은 반복성 추정, 즉 고전적인 클래스 내 상관 관계 (ICC)에 관한 귀하의 질문에 대답 할 수 있다고 생각합니다 . "조정 된"반복성 추정치에 관해서는, 당신이 연결 한 논문을 훑어보고 실제로 적용한 공식이 논문에서 어디에 있는지 보지 못했습니까? 수학적 표현에 기초하여, 그것은 개별 점수가 아닌 평균 점수의 반복 성인 것으로 보인다. 그러나 이것이 귀하의 질문에 중요한 부분이라는 것은 확실하지 않으므로 무시하겠습니다.
(1) 효과의 반복성의 점 추정치를 얻기위한 위의 계산이 의미가 있습니까?
예, 제안한 표현이 의미가 있지만 제안 된 공식을 약간 수정해야합니다. 아래에서는 제안 된 반복성 계수를 도출하는 방법을 보여줍니다. 이것이 둘 다 계수의 개념적 의미를 명확하게하고 약간 수정하는 것이 바람직한 이유를 보여주기를 바랍니다.
먼저, 첫 번째 경우의 반복성 계수를 가져 와서 그것이 의미하는 바와 그 출처를 명확히하자. 이것을 이해하면 더 복잡한 두 번째 경우를 이해하는 데 도움이됩니다.
무작위 차단
ij
yij=β0+u0j+eij,
u0jσ2u0eijσ2e
xy
corr=cov(x,y)var(x)var(y)−−−−−−−−−−√.
xyj
ICC=cov(β0+u0j+ei1j,β0+u0j+ei2j)var(β0+u0j+ei1j)var(β0+u0j+ei2j)−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√,
ICC=σ2u0σ2u0+σ2e.
랜덤 절편 및 랜덤 슬로프
이제 두 번째 경우에는 먼저 "효과의 신뢰성 (즉, 변수가 2 레벨 인 변수의 합 대비 효과)"이 무엇을 의미하는지 명확하게 설명해야합니다.
ijkx
yijk=β0+β1xk+u0j+u1jxk+eijk,
σ2u0σ2u1σu01eijσ2e
ji
x|x1|=|x2|=x
yi1jk2−yi1jk1=(β0−β0)+β1(xk2−xk1)+(u0j−u0j)+u1j(xk2−xk1)+(ei1jk2−ei1jk1)=2xβ1+2xu1j+ei1jk2−ei1jk1
yi2jk2−yi2jk1=2xβ1+2xu1j+ei2jk2−ei2jk1.
Plugging these into the correlation formula gives us
ICC=cov(2xβ1+2xu1j+ei1jk2−ei1jk1,2xβ1+2xu1j+ei2jk2−ei2jk1)var(2xβ1+2xu1j+ei1jk2−ei1jk1)var(2xβ1+2xu1j+ei2jk2−ei2jk1)−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√,
which simplifies down to
ICC=2x2σ2u12x2σ2u1+σ2e.
Notice that the ICC is technically a function of
x! However, in this case
x can only take 2 possible values, and the ICC is identical at both of these values.
As you can see, this is very similar to the repeatability coefficient that you proposed in your question, the only difference is that the random slope variance must be appropriately scaled if the expression is to be interpreted as an ICC or "unadjusted repeatability coefficient." The expression that you wrote works in the special case where the x predictor is coded ±12√, but not in general.
(2.) When I have multiple variables whose repeatability I want to estimate, adding them all to the same fit (e.g. lmer(dv~(iv1+iv2|unit)+iv1+iv2
) seems to yield higher repeatability estimates than creating a separate model for each effect. This makes sense computationally to me, as inclusion of multiple effects will tend to decrease the residual variance, but I'm not positive that the resulting repeatability estimates are valid. Are they?
I believe that working through a similar derivation as presented above for a model with multiple predictors with their own random slopes would show that the repeatability coefficient above would still be valid, except for the added complication that the difference scores we are conceptually interested in would now have a slightly different definition: namely, we are interested in the expected correlation of the differences between adjusted means after controlling for the other predictors in the model.
If the other predictors are orthogonal to the predictor of interest (as in, e.g., a balanced experiment), I would think the ICC / repeatability coefficient elaborated above should work without any modification. If they are not orthogonal then you would need to modify the formula to take account of this, which could get complicated, but hopefully my answer has given some hints about what that might look like.