답변:
혼합 효과 모델의 주요 이점 중 하나는 관측치간에 독립성을 가정하지 않으며 단위 또는 군집 내에 상관 된 관측치가있을 수 있다는 것입니다.
이것은 "랜덤 및 혼합 효과"에 대한 10 장의 첫 번째 섹션에있는 "S를 사용한 현대 응용 통계 (MASS)"에 간결하게 설명되어 있습니다. V & R은 해당 섹션에서 ANOVA와 lme를 비교 한 휘발유 데이터를 사용하는 예를 보여 주므로 좋은 개요입니다. 는 R 함수에 사용될 lme에 nlme패키지.
모델 공식은 Laird and Ware (1982)를 기반으로하므로 소개에는 좋지 않지만 기본 소스로 참조 할 수 있습니다.
또한 John Fox의 "응용 회귀 분석에 대한 R 및 S-PLUS 동반자 " 에있는 "선형 혼합 모델" (PDF) 부록을 살펴볼 수도 있습니다 . 그리고 Roger Levy의 강의 (PDF)에서는 다변량 정규 분포를 사용한 혼합 효과 모델에 대해 설명합니다.
LMM의 일반적인 접근 방식과 ANOVA에 대한 이점을 설명하는 매우 유용한 기사는 다음과 같습니다.
선형 혼합 효과 모델 (LMM)은 회귀 모델을 일반화하여 개별 관측 수준뿐만 아니라 사람 또는 항목 수준과 같은 잔차 유사 성분, 임의 효과를 갖습니다. 예를 들어 다양한 경사 및 절편의 모델링을 허용하는 모델은 매우 유연합니다.
LMM은 어떤 종류의 우도 함수, 일부 매개 변수가 주어진 데이터의 확률, 그리고 매개 변수로 조정하여이를 최대화하는 방법 (Maximum Likelihood Estimation; MLE)을 사용하여 작동합니다. MLE는 이진 및 카운트 데이터 모델과 같은 다양한 모델을 데이터에 적합하게하는 매우 일반적인 기술이며, 예를 들어
그러나 LMM은 이진 데이터 또는 개수와 같은 비 가우시안 데이터를 처리 할 수 없습니다. 이를 위해서는 일반화 선형 혼합 효과 모델 (GLMM)이 필요합니다. 이를 이해하는 한 가지 방법은 먼저 GLM을 조사하는 것입니다. 또한 Agresti (2007)를 참조하십시오.
정확도 데이터를 분석하는 LME의 주요 장점은 일련의 임의 효과를 설명 할 수 있다는 것입니다. 심리학 실험에서 연구자들은 일반적으로 항목 및 / 또는 참가자를 집계합니다. 사람들은 서로 다를뿐 아니라 항목도 다릅니다 (일부 단어는 더 독특하거나 기억에 남을 수 있습니다). 이러한 변동 원인을 무시하면 일반적으로 정확도가 과소 평가됩니다 (예 : 낮은 d '값). 참가자 집계 문제는 어떻게 든 개별 추정을 처리 할 수 있지만 항목 효과는 여전히 존재하며 일반적으로 참가자 효과보다 큽니다. LME를 사용하면 두 랜덤 효과를 동시에 처리 할 수있을뿐만 아니라 특정 예측 변수 (연령, 교육 수준, 단어 길이 등)를 구체적으로 추가 할 수 있습니다.
특히 언어학 및 실험 심리학 분야에 중점을 둔 LME에 대한 훌륭한 참고 자료 는 언어 데이터 분석 : R을 사용한 통계에 대한 실용적인 소개입니다.
건배