무작위 절편 모델 대 GEE


11

랜덤 절편 선형 모형을 고려하십시오. 이것은 교환 가능한 작업 상관 행렬을 사용하는 GEE 선형 회귀와 같습니다. 예측 변수가 및 이고 이러한 예측 변수의 계수가 , 및 합니다. 랜덤 절편 모델의 계수에 대한 해석은 무엇입니까? 개별 수준에 있다는 점을 제외하고 GEE 선형 회귀와 동일합니까?x 3 β 1 β 2 β 3x1,x2,x3β1β2β3

답변:


11

GEE와 혼합 모델 계수는 일반적으로 동일하지 않습니다. 이에 대한 효과적인 표기법은 GEE 계수 벡터를 (마진 효과)로 표시하고 혼합 모델 계수 벡터를 β ( c ) (조건부 효과)로 표시하는 것입니다. GEE가 여러 반복에서 조건부 링크의 여러 인스턴스를 평균하기 때문에 이러한 효과는 접을 수없는 링크 기능에 대해 분명히 다를 수 있습니다. 한계 및 조건부 효과에 대한 표준 오차도 분명히 달라질 것입니다.β(m)β(c)

세 번째로 간과되는 문제는 모델의 잘못된 사양입니다. GEE는 모델 가정에서 벗어나는 것에 대해 엄청난 보험을 제공합니다. 강력한 오류 추정으로 인해 ID 링크를 사용하는 GEE 선형 계수는 항상 평균 1 차 추세로 해석 될 수 있습니다. 혼합 모델은 비슷한 것을 제공하지만 모델을 잘못 지정하면 다를 수 있습니다.


+1, 차이에 대한 요점, 선형 모델의 경우에도 모델의 잘못된 사양이있는 것이 좋습니다. 이것을 제공하는 데 관심이 있다면 이것을 보여주는 작은 예제가 실제로 큰 도움이 될 것입니다.
— 복원

@AdamO : 시간이 지남에 따라 100 명의 혈압을 10 회 측정한다고 가정합니다. 이 경우 100 개의 임의 차단이 있습니까?
— guy

@guy 그러한 데이터를 분석하는 방법에는 여러 가지가 있습니다. 확실히, BP의 평균 수준에 관심이 있고 클러스터 내 변동성을 조정하려면 랜덤 인터셉트 모델이 적합합니다. 때로는 임의의 기울기, AR-1 또는 다른 주름을 추가하는 고정 효과로 시간 효과를 처리해야합니다. 따라서 일반적으로 답은 질문에 달려 있습니다.
— AdamO

4

GEE는 평균 인구 효과를 추정합니다. 랜덤 절편 모델은 이러한 효과의 변동성을 추정합니다. 경우 , η J ~ N ( 0 , σ 2 α ) , 랜덤 인터셉트 모델 모두 추정 γ 0 평균 인구 차단하고있다 ( 일반 선형 모델을 추정하는 것과 동일하다 GEE) 및 σ 2 α .αj=γ0+ηjηj∼N(0,σα2)γ0σα2

절편이 2 차 예측 변수 (예 : )로 모델링 된 경우 임의 절편 모델은 절편이 개별 수준에서 어떻게 달라지는 지 추정 할 수 있습니다. 특정 개인이 속한 '그룹'.αj=γ0+γ1wj+ηj


σα2σ^α2

σα2/(σα2+σϵ2)σϵ2

σα2

분산 모델이 잘못 지정 되어 있어도 고정 효과의 일관된 추정치를 제공하기 때문에 GEE가 매력적 이지만, '실제'분산 모델이 없으면 랜덤 효과의 일관된 추정치를 얻을 수 없습니다. 고정 효과 2 차 모멘트를 필요로한다 또한, 임의 효과의 일관된 추정치는 4 차 모멘트 (필요 여기 , 139 페이지). 마지막으로, 작업 매트릭스의 선택은 팁 매개 변수의 수를 줄이는 것을 목표로합니다 (Lang Wu, 복합 데이터에 대한 혼합 효과 모델, p. 340).
— Sergio

이것은 선형 혼합 모델과 랜덤 인터셉트를 교환 가능한 상관 관계가있는 GEE와 비교하는 현재 지점이 누락 된 것으로 보입니다. 두 모델 모두 실제 분산 모델이없는 분산 추정값이 일치하지 않습니다. 교환 할 수있는 상관 관계가있는 사람이 랜덤 효과의 변동성을 측정하지 않는다는 주장은 제가 흥미롭게 생각합니다.
— jsk
당사 사이트를 사용함과 동시에 당사의 쿠키 정책과 개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.