2 votos

Interceptos y pendientes como modelo de resultados en lmer

Me confunde la sintaxis de la fórmula de lmer para modelos mixtos.

Encontré una "chuleta" muy útil en una respuesta a un pregunta relacionada .

Por desgracia, no hay ningún ejemplo de un tipo de modelo bastante común, el modelo de intercepción/pendiente como resultados, y no entiendo cómo podría formularse.

Concretamente, no sé cómo formular un modelo como éste:

Nivel 1

$Y_{ij} = _{0j} + _{1j}(X_{ij}) + r_{ij}$

Nivel 2

$_{0j} = _{00} + _{01}W_j + u_{0j}$

$_{1j} = _{10} + _{11}W_j + u_{1j}$

donde i sobre los individuos, j sobre grupos, y $W_j$ es un predictor a nivel de grupo de la pendiente y el intercepto del nivel 1. Combinados, crean una interacción entre niveles:

$Y_{ij} = (_{00} + _{01}W_j + u_{0j}) + (_{10}+_{11}W_j + u_{1j})X_{ij} + r_{ij}$

Por coincidencia de patrones en la respuesta a esta pregunta la formulación correcta podría ser algo así

Y ~ 1 + X + W:X + (1 + X | Group)

pero realmente no entiendo por qué. ¿Podría alguien explicarme la forma correcta de modelar esto y, en particular, cómo podría informarme sobre la semántica de la fórmula de lme4?

3voto

alexs77 Puntos 36

Es sólo un poco de manipulación algebraica. Tomemos como ejemplo los efectos fijos: Estas son dos formas diferentes de escribir el mismo modelo de efectos fijos:

$$ Y \sim \mathcal{N}(\mathbf{X}\beta, \sigma^2)$$

y

$$ Y = \mathbf{X}\beta + \epsilon; \quad \epsilon \sim \mathcal{N}(0, \sigma^2).$$

Son parametrizaciones equivalentes que conducen a OLS como el MLE para $\beta$ .

Cuando los efectos aleatorios tienen una media distinta de cero, es lo mismo escribirlos como una suma de efectos fijos y aleatorios con media cero.

El objeto de fórmula que escribes no da lugar al modelo de crecimiento de pendientes aleatorias/interceptos aleatorios de tus expresiones anteriores. X + X:W es una expresión de 2 grados de libertad que no tiene efecto fijo para $W$ pero su modelo de 2 niveles tiene un intercepto aleatorio que varía en $W$ . Mejor utiliza esta fórmula:

~X*W + (1+X|Group)

Si repasas el álgebra encontrarás:

  • El coeficiente (Intercept) es una estimación de $\gamma_{00}$
  • el coeficiente a $X$ es una estimación de $\gamma_{10}$
  • el coeficiente a $W$ es una estimación de $\gamma_{01}$
  • El coeficiente a $X:W$ es una estimación de $\gamma_{11}$

para los efectos fijos. Los efectos aleatorios son más sutiles. La varianza a nivel de grupo controla para los factores de confusión entre grupos $W$ por lo que es inferior a la varianza real incondicional a nivel de grupo. De todas formas, ese es el objetivo de ajustar estas variables.

  • El efecto aleatorio para Intercept es una estimación de la varianza de $u_{0j}$
  • El efecto aleatorio para $X$ es una estimación de la varianza de $u_{1j}$
  • La varianza residual es una estimación de la varianza de $r_{ij}$

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X