혼합 효과 모델을 어떻게 비교하고 검증해야합니까?

(선형) 혼합 효과 모델은 일반적으로 서로 어떻게 비교됩니까? 가능성 비율 테스트를 사용할 수 있지만 한 모델이 다른 모델의 '서브셋'이 아닌 경우 작동하지 않습니다.

모델 df의 추정은 항상 간단합니까? 고정 효과 수 + 분산 성분 수 추정? 랜덤 효과 추정값을 무시합니까?

유효성 검사는 어떻습니까? 내 첫 번째 생각은 교차 검증이지만 데이터 구조에 따라 임의의 접기가 작동하지 않을 수 있습니다. '한 과목 / 클러스터를 떠나는'방법론이 적절합니까? 하나의 관찰을 생략하는 것은 어떻습니까?

맬로 Cp는 모델 예측 오차의 추정치로 해석 될 수 있습니다. AIC를 통한 모델 선택은 예측 오류를 최소화하려고 시도합니다 (따라서 오류가 가우시안 인 경우 Cp와 AIC는 동일한 모델을 선택해야 함). 이것은 AIC 또는 Cp를 사용하여 예측 오류 측면에서 중첩되지 않은 일부 모델 모음에서 '최적의'선형 혼합 효과 모델을 선택할 수 있습니까? (동일한 데이터에 적합하다면) BIC는 여전히 후보자 중에서 '진정한'모델을 선택할 가능성이 더 높습니까?

또한 AIC 또는 BIC를 통해 혼합 효과 모델을 비교할 때 실제 모델 df가 아니라 계산에서 고정 효과 만 '파라미터'로 계산한다는 인상을 받고 있습니다.

이 주제들에 대한 좋은 문헌이 있습니까? cAIC 또는 mAIC를 조사 할 가치가 있습니까? AIC 외부에 특정 응용 프로그램이 있습니까?

혼합 모델에서 모델 선택의 주요 문제점은 모델의 자유도 (df)를 정의하는 것입니다. 혼합 모형의 df를 계산하려면 고정 및 랜덤 효과를 포함하여 추정 된 매개 변수의 수를 정의해야합니다. 그리고 이것은 간단하지 않습니다. Jiming Jiang과 그 외 (2008)의 제목이 "혼합 모델 선택을위한 울타리 방법"이라는 제목의 논문 이 그러한 상황에 적용될 수 있습니다. 새로운 관련 작업이 있습니다 하나 "선형 혼합 모델의 한계와 조건 AIC의 행동에"라는 제목 Greven, S. & Kneib, T. (2010)에 의해. 이것이 도움이 되길 바랍니다.

모델을 비교하는 한 가지 방법은 (혼합이든 아니든) 결과를 플로팅하는 것입니다. 모형 A와 모형 B를 가정 해 봅시다. 각각에서 적합치를 생성하고 산점도에서 서로에 대해 그래프로 표시합니다. 값이 매우 유사한 경우 (값인지 여부를 판단하여) 더 간단한 모형을 선택하십시오. 또 다른 아이디어는 적합치 간의 차이를 찾아 독립 값과 비교하여 그래프를 만드는 것입니다. 차이의 밀도 플롯을 만들 수도 있습니다. 일반적으로, 나는 모델을 비교하기 위해 통계 테스트를 사용 하지 않고 (AIC와 그 변형이 확실히 장점을 가지고 있지만) 판단을 사용하는 것을지지합니다. 물론 이것은 정확한 답변을 제공하지 않는 단점이 있습니다.