혼합 효과 모델에서 랜덤 효과의 분산 및 상관 관계를 해석하는 방법은 무엇입니까?

여러분 모두이 질문에 신경 쓰지 않기를 바라지 만 R에서 배우려고했던 선형 혼합 효과 모델 출력에 대한 출력을 해석하는 데 도움이 필요합니다. 세로 데이터 분석 및 선형 혼합 효과 회귀에 익숙하지 않습니다. 나는 시간 예측 자로 몇 주를 맞춘 모델을 가지고 있으며, 고용 과정에서 내 성과로 점수를 매 깁니다. 몇 주 (시간)와 여러 고정 효과, 성별 및 인종으로 점수를 모델링했습니다. 내 모델에는 임의의 효과가 있습니다. 분산과 상관 관계의 의미를 이해하는 데 도움이 필요합니다. 출력은 다음과 같습니다.

Random effects  
Group   Name    Variance  
EmpId intercept 680.236  
weeks           13.562  
Residual 774.256

상관 관계는 .231입니다.

주와 점수 사이에 긍정적 인 관계가 있기 때문에 상관 관계를 해석 할 수 있지만 "23 % of ..."의 관점에서 말할 수 있기를 원합니다.

정말 도움을 주셔서 감사합니다.

답장을 보낸 "guest"와 Macro에게 감사합니다. 답장을 보내지 않아 죄송합니다. 회의에 참석했는데 지금 따라 잡고 있습니다. 다음은 출력과 컨텍스트입니다.

다음은 내가 실행 한 LMER 모델에 대한 요약입니다.

>summary(LMER.EduA)  
Linear mixed model fit by maximum likelihood  
Formula: Score ~ Weeks + (1 + Weeks | EmpID)   
   Data: emp.LMER4 

  AIC     BIC   logLik   deviance   REMLdev   
 1815     1834  -732.6     1693    1685

Random effects:    
 Groups   Name       Variance Std.Dev. Corr  
 EmpID   (Intercept)  680.236  26.08133        
          Weeks         13.562 3.682662  0.231   
 Residual             774.256  27.82546        
Number of obs: 174, groups: EmpID, 18


Fixed effects:    
            Estimate Std. Error  t value  
(Intercept)  261.171      6.23     37.25    
Weeks          11.151      1.780    6.93

Correlation of Fixed Effects:  
     (Intr)  
Days -0.101

무작위 효과의 분산과 잔차를 해석하고 다른 사람에게 설명하는 방법을 이해하지 못합니다. 또한 양의 인터셉트가 더 높은 기울기를 가지고 있고 더 낮은 절편을 가진 사람들이 더 낮은 기울기를 가지고 있음을 나타내는 긍정적 인 것 이외의 상관 관계를 해석하는 방법을 모르겠습니다.하지만 상관 관계를 용어로 설명하는 방법을 모르겠습니다 의 23 % . . . (문장을 완성하는 방법을 모르거나 그렇게하는 것이 옳은지 모르겠습니다). 이것은 (me) 종단 분석으로 이동하려고 할 때 다른 유형 분석입니다.

이게 도움이 되길 바란다.

지금까지 도와 주셔서 감사합니다.

제다

r mixed-model interpretation panel-data

— 제다
소스

Zeda, 수정 된 효과에 대한 출력 요약을 포함하여 여기에서 더 많은 R 출력을 보는 것이 도움이 될 것입니다.

— 손님

\hat{ρ} = 680.236 / (680.236 + 13.562 + 774.256)

$\hat{\rho} = 680.236/(680.236+13.562+774.256)$

\hat{ρ}

$\hat{\rho}$

Zeda, 귀하의 회신을 수정 사항으로 변환하고 등록되지 않은 두 계정을 병합했습니다. 게시물을 직접 업데이트하고 업데이트 할 수 있도록이 항목을 등록하십시오.

— chl

장착 된 모델은 lme()다음과 같이 표현 될 수 있습니다.

$y_{ij} = \alpha_0 + \alpha_1 x_j + \delta_{0i} + \delta_{1i} x_j + \epsilon_{ij}$

$y_{ij}$ $i$ $x_j$ $\alpha_0$ $\alpha_1$ $\delta_{0i}$ $\delta_{1i}$ $\epsilon_{ij}$ $\delta_{0i}$ $\delta_{1i}$ $\epsilon_{ij}$

$(\delta_{0i}, \delta_{1i})^T \stackrel{d}{\sim} N((0, 0)^T, G)$ $\epsilon_{ij} \stackrel{d}{\sim} N(0, \sigma^2)$

$G$

(\begin{matrix} g_{1}^{2} & g_{12}^{2} \\ g_{12}^{2} & g_{2}^{2} \end{matrix})

$\begin{pmatrix} g_1^2&g_{12}^2\\ g_{12}^2&g_2^2 \end{pmatrix}$

에서 랜덤 효과 항 사이의 분산 행렬을 얻을 수 있습니다 VarCorr(LMER.EduA)$ID.

결과는 기본적으로

$\alpha_0$ $\alpha_1$

$g_1^2$ $g_2^2$ $\sigma^2$

$g_{12}^2$ VarCorr(LMER.EduA) $0.23\times \sqrt{g_1^2 g_2^2}$

$g_1^2$ $g_2^2$

— 블루 폴
소스

L A T E X

$\LaTeX$

@ chl : 멋진 형식으로 내 응답을 구성 해 주셔서 정말 감사합니다 (LaTex에 대해서는 아무것도 모른다). 더 중요한 것은 공분산 부분에 대한 조잡한 응답을 수정했습니다. 다시 한번 감사드립니다.

— bluepole

크레딧은 VC 매트릭스에 대한 세부 정보를 제공 한 @GGeco로 이동해야합니다. 내가 말했듯이, 나는 당신의 답글의 일부만을 텍스 팅했습니다 (+1).

— chl

임의의 효과가 많은 경우 어떻게 작동합니까?

— user124123 2016 년