lmer에서 랜덤 효과가 어떻게 지정되는지에 대한 질문


55

최근에 단어를 다른 상황에서 볼 때 ERP (EEG)를 측정하여 반복 노출 (연습 : 1 일에서 10 일까지)에 대해 새로운 단어의 의미를 얻는 방법을 측정했습니다. 또한 문맥의 속성, 예를 들어 새로운 단어의 의미 (높음 대 낮음)의 발견에 대한 유용성을 제어했습니다. 특히 연습의 효과에 관심이 있습니다 (일). 개별 ERP 기록은 시끄럽기 때문에 ERP 구성 요소 값은 특정 조건의 시험에 대해 평균을 구하여 얻습니다. 이 lmer함수를 사용하여 다음 공식을 적용했습니다.

lmer(ERPindex ~ practice*context + (1|participants), data=base) 

lmer(ERPindex ~ practice*context + (1+practice|participants), data=base) 

나는 또한 문헌에서 다음과 같은 임의의 효과와 동등한 것을 보았습니다.

lmer(ERPindex ~ practice*context + (practice|participants) + 
                (practice|participants:context), data=base) 

양식의 임의 인수를 사용하여 수행되는 것은 무엇입니까 participants:context? 행렬 대수에 대한 간단한 지식을 가진 사람이 선형 혼합 모형에서 랜덤 요인이 무엇인지, 어떻게 선택해야하는지 정확하게 이해할 수있는 좋은 출처가 있습니까?

답변:


77

각 호출에 lmer()맞는 모델 과 호출 방식이 어떻게 다른지 설명하고 임의 효과 선택에 대한 최종 질문에 답변하겠습니다.

당신의 세 가지 모델 각각에 대한 효과를 고정 포함 practice, context그리고 둘 사이의 상호 작용. 임의의 효과는 모델마다 다릅니다.

lmer(ERPindex ~ practice*context + (1|participants), data=base) 

에 동일한 값을 가진 개인이 공유 한 임의의 가로 채기를 포함합니다 participants. 즉, 각 participant회귀선은 평균이 임의의 양만큼 위 / 아래로 이동합니다 .0

lmer(ERPindex ~ practice*context + (1+practice|participants), data=base) 

이 모델에는 랜덤 절편 외에도에 임의의 기울기가 포함되어 있습니다 practice. 이것은 개인이 실습에서 배우는 비율이 개인마다 다르다는 것을 의미합니다. 개인이 긍정적 인 무작위 효과를 갖는 경우, 평균보다 연습으로 더 빨리 증가하는 반면, 부정적인 임의의 효과는 평균보다 연습으로 빨리 배우지 않거나 임의의 변화에 ​​따라 연습으로 더 나빠질 수 있음을 나타냅니다. 효과 (실습의 고정 효과가 긍정적이라고 가정).

lmer(ERPindex ~ practice*context + (practice|participants) + 
                (practice|participants:context), data=base) 

이 모델은 이전 모델 과 마찬가지로 랜덤 슬로프와 인터셉트에 적합합니다 practice( 절편 (practice-1|...)을 억제 해야 함). 이제 participants:context레벨에 새로운 요인 인 factor에 랜덤 슬로프와 인터셉트를 추가했습니다. 존재 레벨의 각 조합 participantscontext상기 대응하는 임의의 효과가 모두 동일한 값이 관측 공유 participantscontext. 이 모델에 맞게하려면 모두 같은 값을 가진 여러 관찰이 필요합니다 participantscontext그렇지 않으면 모델을 추정 할 수 없습니다. 많은 상황에서이 교호 작용 변수에 의해 생성 된 그룹은 매우 드문 편이며 랜덤 효과 모델에 맞추기에는 시끄럽고 어렵 기 때문에 교호 작용 계수를 그룹화 변수로 사용할 때주의해야합니다.

기본적으로 (읽기 : 너무 복잡하지 않고) 그룹화 변수가 데이터 세트에서 비균질성의 "포켓"을 정의하거나 그룹화 요소의 수준을 공유하는 개인이 서로 상관되어야한다고 생각할 때 임의 효과를 사용해야합니다. 상관되지 않아야하는 개인)-임의의 효과가 이것을 달성합니다. 당신은 모두의 수준을 공유 관찰 생각하는 경우 participantscontext다음 해당 될 수있는 "상호 작용"임의 효과를 포함하여 두 부분의 합보다 더 비슷합니다.

편집 : 의견에서 @Henrik이 언급했듯이 적합한 모델은 다음과 같습니다.

lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)

랜덤 슬로프와 랜덤 인터셉트가 서로 상관되고 모델에 의해 상관이 추정되도록합니다. 랜덤 슬로프와 랜덤 인터셉트가 상관 관계가 없어서 (따라서 정규 분포되어 있기 때문에 독립적) 모델을 구속하려면 대신 모델에 적합합니다.

lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants), 
     data=base)

이 둘 사이의 선택은 예를 들어 participant평균보다 높은 기준선 (즉, 양의 랜덤 절편)이 평균보다 높은 변화율 (즉 양의 임의의 기울기)을 가질 가능성 이 있다고 생각하는지에 따라 결정되어야합니다 . 그렇다면 둘을 서로 연관시킬 수 있지만 그렇지 않은 경우 둘을 독립적으로 제한 할 수 있습니다. (이 예제에서는 고정 효과 기울기가 양수라고 가정합니다).


2
나는 까다 롭고 싶지 않지만 두 번째 모델에는 절편과 경사 사이의 상관 관계가 포함되어 있지 않습니다. 그냥 슬로프를 추가하는 것은해야한다 : lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)아니면 내가 잘못입니까? (관련 없음 : 게시물의 작은 편집을 용서합니다. 설명에 동의하지 않으면 다시 변경하십시오)
Henrik

@Henrik, 네, 두 랜덤 효과 사이의 상관 관계도 추정 할 수 있습니다. 이 답변을 작성하면서, 나는이 모델들에 무슨 일이 일어나고 있는지에 대한 "큰 그림"아이디어를 제공하려고했는데, 여기에는 단순한 "2 센트"설명이없는 무작위 효과들 사이의 상관 관계에 대한 언급은 포함되지 않았다. 슬로프와 가로 채기 방법 :) 어쨌든,이 누락으로 인해 내 대답에서 내가 한 해석이 잘못되었다고 생각하지 않습니다. BTW, 편집 해 주셔서 감사합니다.
매크로

1
@Henrik, 나는 무작위 효과를 상관 관계와 비 상관 관계로 만드는 것의 차이점에 대한 메모를 추가하여 대답을 개선한다고 생각합니다.
매크로

감사. 나는 혼합 모델링에 들어 가려고 노력하고 있으며 어떤 랜덤 효과 구조를 언제 어떻게 사용할 지에 대한 문제로 어려움을 겪고 있습니다. 요컨대, 큰 대답 (+1).
Henrik

1
@pom, 칭찬 주셔서 감사합니다. Re : 귀하의 의견, 나는 이것을 시뮬레이션 된 데이터에서 테스트했으며 그 결과가 거꾸로 있다고 생각합니다. 내 편집의 두 번째 모델은 첫 번째 모델보다 매개 변수가 하나 더 적습니다. 두 번째 모델이 두 랜덤 효과 간의 상관 관계를 0으로 제한하기 때문입니다. 그 외에는 모델이 동일합니다. 나는 당신이 겪고있는 것이 확실하지 않지만 재현 가능한 예가 도움이 될 것입니다. 여기 내 것이 있습니다 :x <-rnorm(1000); id <- rep(1:100,each=10); y <- rnorm(1000); g <- lmer(y ~ (1+x|id)); g2 <- lmer(y ~ (1|id) + (x-1|id)); attr(logLik(g),"df"); attr(logLik(g2),"df");
Macro

13

@ Macro는 여기에 좋은 대답을주었습니다. 작은 점 하나를 추가하고 싶습니다. 귀하의 상황에있는 일부 사람들이 다음을 사용하는 경우 :

lmer(ERPindex ~ practice*context + (practice|participants) + 
                (practice|participants:context), data=base) 

나는 그들이 실수하고 있다고 생각합니다. 고려는 : (practice|participants)효과를위한 임의의 기울기 (및 절편)이 있음을 의미 practiceparticipant반면, (practice|participants:context)효과에 대한 임의의 기울기 (및 절편)이 있음을 의미 practiceparticipant by context 조합 . 이것이 원하는 경우 괜찮습니다. 그러나 나는 그들이 원한다고 생각 합니다 . 이는 각각 의 상호 작용 효과 에 대한 (practice:context|participants)임의의 기울기 (및 절편)가 있음을 의미합니다 . practice by contextparticipant


4

임의 효과 또는 혼합 효과 모델에서는 효과의 확률 분포에서 가져온 것처럼 처리 한 효과를 처리하려는 경우 임의 효과가 사용됩니다.

내가 줄 수있는 가장 좋은 예 중 하나는 다기관 임상 시험에서 임상 시험 데이터를 모델링 할 때입니다. 사이트 효과는 종종 임의 효과로 모델링됩니다. 실제로 시험에 사용 된 20 개 정도의 사이트가 훨씬 더 많은 잠재적 사이트 그룹에서 추출 되었기 때문에 수행됩니다. 실제로, 선택은 무작위로 이루어지지 않았을 수도 있지만, 선택을 마치 마치 마치 마치 마치 마치 마치 처리하는 것처럼 유용 할 수 있습니다.

사이트 효과는 고정 효과로 모델링 될 수 있지만 선택한 20 개의 사이트 집합에 대한 효과가 다를 것이라는 사실을 고려하지 않으면 더 많은 인구에게 결과를 일반화하기가 어렵습니다. 이를 임의의 효과로 취급하면 그러한 방식으로 설명 할 수 있습니다.


1
이 답변은 실제 질문에 대한 답변이 아니기 때문에 -1입니다.
amoeba는
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.