Modelo de efectos mixtos para las diferencias de grupo en R

Question

Estoy intentando realizar un análisis de efectos mixtos con algunos datos que tengo, pero no puedo determinar si estoy utilizando el modelo correcto.

En primer lugar, intento determinar si hay diferencias entre grupos en 5 variables independientes. Mis datos consisten en un número de participantes que realizaron 31 tareas diferentes (las llamaremos Ítems), durante las cuales se midieron estas 5 variables. Me gustaría probar las diferencias en estas variables, no necesariamente en relación con las demás, pero me gustaría mantenerlas en un modelo para evitar pruebas excesivas. Sin embargo, me gustaría controlar la varianza entre estos ítems y, si es posible, también entre los participantes.

Actualmente estoy utilizando el paquete lme4 para ejecutar una regresión logística:

glmer(Group~Var1+Var2+Var3+Var4+Var5 + (1|item),family=binomial)

Mi idea es que si hay diferencias de grupo, entonces las variables también deberían predecir la pertenencia al grupo, probando efectivamente mi hipótesis, aunque de forma indirecta. Por favor, corríjanme si esta suposición es incorrecta.

Lo ideal sería ejecutar esto con el participante como un factor aleatorio adicional, pero no creo que tenga sentido en un modelo de prueba para las diferencias de grupo.

La alternativa es ejecutar modelos de regresión separados para cada una de mis variables independientes, con el Grupo, el Artículo y el Participante como efectos aleatorios. Sin embargo, como he dicho antes, no quiero sobreprobar los datos, así que no estoy seguro de si es una forma aconsejable de hacerlo.

¿Puede alguien decirme si mi configuración actual es una forma válida de comprobar las diferencias significativas de múltiples variables entre 2 grupos?

EDITAR: Si lo anterior NO es válido, y la prueba debería ser al revés, lmer(Var1 ~ Grupo + (1|item)) ¿se recomienda entonces modelar también a los participantes como variables aleatorias, o esto interferirá con el efecto fijo de Grupo?

Answer 1

En el modelo que ha especificado en su pregunta inicial,

glmer(Group~Var1+Var2+Var3+Var4+Var5 + (1|item),family=binomial)

se plantearía la siguiente pregunta: ¿qué variables, medidas en una serie de elementos, son predictores independientes de la asignación/pertenencia a un grupo?

Si fuera una prueba para intentar diagnosticar una patología, entonces podría tener sentido. Sin embargo, parece más bien un diseño experimental con asignación de tratamiento. En este caso, cada respuesta debería probarse por separado. El modelo que has dejado en la sección de comentarios sería correcto:

lmer(Var1 ~ Group + (1|item) + (1|participant), data=data)

Este diseño se consideraría un modelo de efectos aleatorios cruzados. Puede confirmar que lo ha especificado correctamente, ya que se muestra un diseño similar aquí .

En cuanto a las pruebas múltiples, no se pueden añadir muchos términos a un modelo para intentar evitar el problema de las comparaciones múltiples porque 1) no hay trucos para evitar las pruebas múltiples si de hecho se hacen pruebas múltiples y 2) porque las pruebas tendrían una interpretación diferente en un modelo completo ya que sus estimaciones se controlan por los valores de las otras variables. Ciertamente hay situaciones en las que uno querría hacer esto, especialmente en estudios observacionales, pero para los diseños experimentales, sería bastante inusual.

Mi opinión sobre si hay que ajustar por comparaciones múltiples o no dependerá del contexto. Si cada respuesta tiene su propia hipótesis preestablecida, se prueban frecuentemente juntas o si algunas son más bien controles positivos (esperamos que cambien, pero no es la hipótesis principal de interés), entonces podrías justificar el uso de los valores p sin ajustar. Sin embargo, si no tiene hipótesis claramente definidas o si toma "un resultado significativo, cualquier resultado significativo", entonces debería ajustar los valores p para mantener su confianza en el nivel nominal.