Mentalità nell'interpretazione dei risultati del modello mistoCiao,
Recentemente ho esplorato l'uso di modelli misti in contrapposizione ai modelli più semplici a effetti fissi. Ho alcune domande a cui non ho trovato risposte chiare leggendo la documentazione.
1. Quali sono esattamente le componenti di varianza degli effetti casuali?
Supponendo che il modello misto sia: Modello misto: Risposta = intercetta + effetti fissi + effetti casuali + errore residuo
- Se ho capito bene, gli effetti fissi sono rappresentati con stime degli effetti, errori standard e valori p, e l'errore residuo è ciò che rimane tra i dati effettivi e i valori previsti utilizzando gli effetti fissi. Si assume che questo errore residuo sia una distribuzione normale con media = 0. È corretto affermare che JMP sta quindi suddividendo questo errore residuo tra "effetti casuali" e "residuo", utilizzando REML per stimare quale dovrebbe essere una distribuzione normale con media = 0 per gli "effetti casuali"? In tal caso, esiste un modo intuitivo per comprendere in che modo JMP assegna questa "quantità" di varianza a ciascun effetto casuale?
2. Quando assegnare una variabile non controllata come "casuale" anziché lasciarla semplicemente fuori dal modello?
Ad esempio, nell'esperimento con forno/lotto come variabili indipendenti per misurare il ritiro dello stampo, "forno" è fisso come sono particolarmente interessato a confrontare l'effetto di ciascun forno sul restringimento, mentre il "lotto" è solo una fonte di variabilità casuale: non mi interessa davvero la variazione specifica da lotto a lotto, solo quanta variabilità complessiva è apportata dai lotti variabili. Tuttavia, credo che otterrei la stessa stima di "forno", indipendentemente dal fatto che inserisca "batch" come variabile casuale o semplicemente lo escluda completamente dal modello. Pertanto, è corretto affermare che, a meno che non sia curioso di sapere quali variabili non controllate contribuiscono alla mia variabilità complessiva (più comune se ho molte variabili casuali e desidero una suddivisione), ciò non cambierà l'accuratezza del modello rispetto al mio valore fisso effetti per includere effetti casuali o semplicemente lasciarli fuori?
Nota: Ho visto da questo discorso di Claassen ( https://www.youtube.com/watch?v=P1wjRtgM92I ) che include "batch" come a fisso L'effetto avrebbe sicuramente un impatto sulla capacità predittiva dell'altro effetto fisso ("forno"), quindi farlo non è possibile. Mi chiedo se sia importante avere un modello con "forno" come effetto fisso e "batch" come effetto casuale, rispetto a "forno" come effetto fisso e nient'altro.
Grazie!
QW
Modellazione statistica avanzataAnalisi e modellazione dei dati di baseEsplorazione e visualizzazione dei datiRe: Mentalità nell'interpretazione dei risultati del modello mistoPensieri a qualcuno?
Re: Mentalità nell'interpretazione dei risultati del modello mistoCIAO @QW : Sono sicuro che hai suscitato molto interesse qui... tuttavia, c'è molto da spiegare. Darò un inizio.
Senza un ordine particolare.
1. Tu: "È corretto affermare che JMP sta quindi suddividendo questo errore residuo tra 'effetti casuali' e 'residuo'?"
No. Puoi verificarlo se, utilizzando l'esempio della parte 2 della tua domanda, confronti l'errore residuo del modello fisso (forno e lotto fissi) con l'errore residuo del modello misto (il lotto è casuale, il forno è fisso). Noterai che sono uguali (o quasi, a seconda dello squilibrio rispetto al numero di ripetizioni all'interno di ciascun lotto e/o alle diverse procedure di stima).
2. Tu: "è corretto dire che, a meno che non sia curioso di sapere quali variabili incontrollate contribuiscono alla mia variabilità complessiva (più comune se ho molte variabili casuali e desidero una suddivisione), ciò non cambierà l'accuratezza del modello rispetto ai miei effetti fissi per includere effetti casuali o semplicemente escluderli?".
Forse: come dici tu, la "stima" del forno sarà più o meno la stessa. ma la precisione (errore standard) di tale stima può essere molto diversa... soprattutto se la variabilità da lotto a lotto è davvero elevata. Ciò influisce sulla dimensione del campione; Ad esempio, se la variabilità da lotto a lotto è la fonte dominante di variabilità, allora la dimensione del campione che "conta" rispetto alla precisione è il numero di lotti. Se la variabilità tra i lotti è trascurabile, la dimensione del campione che "conta" è il numero di campioni all'interno di ciascun lotto (o la dimensione totale del campione). In quest’ultimo caso, la precisione di tale stima sarà più o meno la stessa che otterremmo semplicemente escludendo l’effetto casuale.
Come ho detto, c'è molto da disfare qui... e forse troppo per un forum del genere. ma ora abbiamo un inizio!
Re: Mentalità nell'interpretazione dei risultati del modello mistoGrazie!
