¿Alguien puede explicar la intuición detrás de los modelos mixtos en pocas palabras? Cada vez que leo explicaciones, me siento abrumado por la notación y la jerga matemática. ¿Alguien puede darme un simple ejemplo o motivación para ayudarme a entender el concepto de una manera más profunda?
Respuestas
¿Demasiados anuncios?
Aquí está mi esfuerzo en esta - imperfecto, pero podría ayudar.
De efectos mixtos modelos son necesarios cuando la variación en la variable de respuesta no puede ser simplemente asignados entre sólo una parte estructural y un valor residual individuales de la aleatoriedad. De efectos mixtos modelos tienen tanto de estas cosas, pero también hay aleatoriedad que se asocia no sólo con los individuos, sino de grupos.
El ejemplo clásico es el desempeño de los estudiantes. Hay una (gran) elemento de la variación aleatoria en el nivel individual. Pero cada escuela también puede ser visto como una contribución común un elemento aleatorio en el desempeño de cada uno de los individuos en la escuela. Una escuela particular de mayo, en el que el azar razones (la suerte de tener buenos profesores, etc) tienen puntuaciones más altas. Por lo tanto los estudiantes de la aleatoriedad no pueden ser tratados como independientes el uno al otro - de romper muchos de los supuestos de los modelos más tradicionales.
Este concepto puede ser extendido más allá de la simple residual aleatoriedad a aplicar también a la variación aleatoria en el nivel de grupo en los distintos parámetros en el modelo (pendientes, etc).
Tomadas en su conjunto, el modelo de efectos mixtos, a continuación, puede no sólo evitar errores en los modelos tradicionales cuando su yo.yo.d. los supuestos son violados; pueden proporcionar técnicas poderosas para identificar cuánto aleatoriedad se basa en los diferentes niveles.
El más fácil de entender modelos de efectos mixtos son aquellos en los que las diferentes fuentes de aleatoriedad están en una jerarquía (por ejemplo, los individuos-clases-colegios). Sin embargo, pueden extenderse más allá de que esto no jerárquica de grupos. Por ejemplo individuales de los estudiantes podría ser agrupados por su profesor de matemáticas y por su profesor de física, que no puede tener una relación simple. Pero también sería posible estimar el individuo aleatoriedad para cada estudiante (es decir, el individuo residual) así como un efecto común para todos los alumnos de Un Señor de las matemáticas a los alumnos y uno para todos de Ms B de física de los estudiantes. (Estoy asumiendo que la variable de respuesta es de algunas pruebas de rendimiento académico integral que es compartido por todos estos estudiantes, por supuesto).
Así que lo que hace es "mixto"? Mezclado significa que el modelo de mezclas estructurales y de azar de los componentes. En cierto modo, los modelos tradicionales se mezclan ya - tienen un componente estructural, individual y aleatoriedad. Sólo por accidente histórico de la nomenclatura, los modelos sólo son llamados mixtos cuando ellos también tienen por lo menos una componente aleatoria adicionales a nivel individual.
kevinf
Puntos
153
Voy a dar una breve respuesta que yo creo que va a ser útil, pero no será detallada.
Hago uso de modelos de efectos mixtos (es decir, modelos con tanto de efectos fijos y aleatorios) cuando creo que el error en mis datos no es de una sola fuente, y cuando tengo información que podría identificar fuentes alternas. Los modelos mixtos se utiliza a menudo cuando los datos son jerárquicamente estructurado. Por ejemplo, los estudiantes en las aulas. No hay duda que habrá de error en la medición para cada estudiante, y podría ser modelada como una distribución normal. Sin embargo, puede haber error adicional que se explica por la clase en la que el estudiante aprende (tal vez debido a que los maestros/tema/libro de texto). Por lo tanto, puede ser importante tener un término de error para la captura de error debido a la clase. Es decir, un único término de error para el modelo de una sola fuente de medición individual de error puede que no disponga de la captura de error que viene de un nivel más alto de la fuente. Por lo tanto, para modelar los datos correctamente, puede ser necesario particionar el error debido a que los estudiantes y el error debido a los salones de clases por separado. La resultante modelo ajustado será un mejor ajuste a los datos, y debería reducir el sesgo en los otros parámetros del modelo.
Los modelos mixtos se puede hacer un montón de cosas más, sin embargo. No voy a entrar en esos detalles porque creo que la de arriba es lo que usted está buscando en este momento.
