Question:
Modèles mixtes. Pentes aléatoires uniquement, centrage moyen et groupe?
Forevertrip
2019-04-04 02:10:59 UTC
view on stackexchange narkive permalink

Les interceptions aléatoires sont-elles un préalable théorique / pratique aux pentes aléatoires? Pourquoi?

J'ai un modèle mixte à trois niveaux (mesures de répétition) où je ne m'attendrais pas à une variation de niveau 3 du statut initial de la variable de résultat. Autrement dit, les patients ont été assignés au hasard aux médecins, de sorte qu'il ne devrait pas y avoir de variation de la moyenne de la DV entre les médecins (tous ont la même chance d'avoir des patients avec une DV initiale élevée et faible).

Il existe une variation dans les interceptions des patients, c'est correct.

La question est, est-ce qu'un modèle à pentes aléatoires uniquement au niveau 3 est autorisé. Chaque exemple que je vois a toujours des interceptions aléatoires en premier. Est-ce parce que c'est le cas ou parce que je n'ai pas eu de chance avec des exemples?

De plus, est-ce que quelqu'un sait comment les différentes structures numériques des variables sujet / ID affectent le modèle mixte? Je. Avoir un identifiant unique pour les deux niveaux vs avoir un identifiant unique au sein de chaque groupe au niveau 2 (individus).

Quelqu'un peut-il également expliquer les avantages, les raisons et les différences des DV centrés sur la moyenne et centrés sur le groupe?

J'espère que c'est assez clair pour la discussion. Merci

Que mesurez-vous au niveau 1 pour chaque patient?Valeurs répétées de la DV à plusieurs moments?De plus, chaque patient voit-il un et un seul médecin?
Merci @IsabellaGhement pour vos commentaires.Dans ce cas, le DV est un score d'échelle obtenu à partir de la moyenne des réponses sur 8 items de l'échelle likert.Oui, c'est une conception de mesures de représentant, 3 points dans le temps.Oui, un et un seul médecin pour les trois points dans le temps.
Trois réponses:
Wayne B
2019-04-04 12:46:29 UTC
view on stackexchange narkive permalink

Tout dépend de la nature de votre étude.

Lorsque vous ajustez des interceptions aléatoires, sans pentes aléatoires, cela suppose que chaque sujet a la même réponse au traitement, mais chaque sujet a une valeur de base différente:

enter image description here

Lorsque vous ajoutez des pentes aléatoires, vous autorisez chaque sujet à avoir une réponse différente au traitement, et chaque sujet a toujours une valeur de base différente:

enter image description here

Si vous ne correspondez pas à des interceptions aléatoires, mais que vous conservez les pentes, vous supposez que chaque sujet a une réponse différente au traitement, et que chaque sujet a la MÊME valeur de base:

enter image description here

Excellente réponse, Wayne!
Robert Long
2019-04-04 19:46:24 UTC
view on stackexchange narkive permalink

La question est, est-ce qu'un modèle de pentes aléatoires uniquement au niveau 3 est autorisé. Chaque exemple que je vois a toujours des interceptions aléatoires en premier. Est-ce parce que c'est le cas ou parce que je n'ai pas eu de chance avec des exemples?

Oui, c'est certainement autorisé, mais comme l'illustrent les graphiques de la réponse de @Wayne, cela suppose que les observations de base sont égales à ce niveau.

Est-ce que quelqu'un sait comment les différentes structures numériques des variables sujet / ID affectent le modèle mixte? Je. Avoir un identifiant unique pour les deux niveaux vs avoir un identifiant unique dans chaque groupe au niveau 2 (individus).

Cela dépendra du logiciel que vous utilisez pour ajuster le modèle et de la manière dont vous spécifiez le modèle. Dans lme4 pour R, par exemple, cela ne devrait pas faire de différence à condition que vous spécifiiez correctement les interceptions aléatoires. Consultez cette réponse et cette réponse pour plus d'informations.

Quelqu'un peut-il expliquer les avantages, les raisons et les différences derrière les DV centrés sur la moyenne et centrés sur le groupe?

Le centrage grand-moyenne est souvent souhaitable à des fins d'interprétation, en particulier lorsqu'il s'agit d'interactions, où les effets principaux montrent l'effet d'une covariable lorsque l'autre (dans le cas d'une interaction bidirectionnelle) est maintenue à zéro ( ce qui est souvent invraisemblable dans les cas du monde réel). Dans le cas du centrage moyen de groupe, les intersections aléatoires seront les moyennes de groupe non ajustées. Les moyennes de groupe peuvent ensuite être utilisées comme prédicteur au niveau du groupe, et le coefficient pour ce prédicteur sera un prédicteur inter-groupes. Personnellement, je n'ai jamais trouvé le besoin de faire un centrage de groupe - même si je l'ai vu faire, en particulier dans la littérature sur la modélisation à plusieurs niveaux.

Merci.Comment la première réponse verrait-elle le changement, le cas échéant, avec le prédicteur comme facteur plutôt que comme continu?Le temps est un facteur car ce sont des mesures de répétition
Si je comprends bien votre argument, cela ne changera rien.Si le temps est un effet fixe, le fait de le modéliser comme continu ou discret est une décision de modélisation, et si vous avez une question à ce sujet, vous devriez poser une nouvelle question ici, ou vous référer à d'autres réponses sur ce sujet.
Ok, donc la spécification des interceptions aléatoires ne s'applique jamais qu'à l'état initial.
Nous semblons nous éloigner du fond de votre question, il vaudrait donc mieux que vous posiez une nouvelle question à ce sujet, d'autant plus que je ne suis pas tout à fait clair sur votre objectif actuel, et je ne voudrais pas vous donnerconseils incorrects.En attendant, pensez à marquer l'une de ces réponses comme acceptée.Les commentaires ne sont pas destinés à la discussion sur des questions de fond.
"Oui, c'est certainement autorisé, mais comme l'illustrent les graphiques de la réponse d'@Wayne,, il émet une hypothèse selon laquelle les observations ** de base ** sont égales à ce niveau." "Ok, donc la spécification des interceptions aléatoires s'applique uniquement au statut ** initial **." c'est tout ce que je voulais dire
L'état initial et la ligne de base ne sont pas nécessairement les mêmes.Ce que vous entendez par «initial» n'est pas clair et «ne s'applique que jamais».Les choses peuvent être plus compliquées selon la façon dont les facteurs sont codés et si les variables continues sont centrées.Veuillez poser une nouvelle question à ce sujet et inclure plus de détails sur l'étude et l'ensemble de données.
Dieter Menne
2019-04-05 23:08:45 UTC
view on stackexchange narkive permalink

Un classique incontournable sur certains aspects est Bill Venables (le sous-ensemble Jekyll de Ripley / Venables) https://www.stats.ox.ac.uk/pub/MASS3/Exegeses.pdf.

Et comme un exemple rare où les décalages de zéro fixes pourraient être utiles: supposons que vous mesuriez la "croissance du nouvel os" après une chirurgie.Par définition, newbone est exactement zéro au moment de la chirurgie, plus tard, il est mesuré et varie.



ⓘ
Ce Q&R a été automatiquement traduit de la langue anglaise.Le contenu original est disponible sur stackexchange, que nous remercions pour la licence cc by-sa 4.0 sous laquelle il est distribué.
Loading...