Karma Etkiler Modeli
Linear Mixed Effects Model · Ayrıca şöyle bilinir: LME, LMM, mixed model, random effects model
Karma etkiler modeli (veya doğrusal karma etkiler modeli), hem sabit etkileri -tüm gözlemler tarafından paylaşılan popülasyon düzeyindeki parametreler- hem de özne, grup veya küme düzeyindeki değişkenliği yakalayan rastgele etkileri içerecek şekilde sıradan regresyonu genişletir. Gözlemlerin aynı birim içindeki korelasyonlu olduğu tekrarlanan ölçümler, boylamsal ve çok düzeyli veriler için standart araçtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+5 tane daha
Ne zaman kullanılır
Sonucunuz sürekli olduğunda ve gözlemler kümelenmiş veya tekrarlanmış olduğunda bir karma etkiler modeli kullanın: özneler başına birden çok ölçümle boylamsal çalışmalar, sınıflara veya okullara yerleştirilmiş öğrencilerle eğitim verileri, yerlere yerleştirilmiş hastalarla klinik denemeler veya doğal bir gruplama değişkenine sahip herhangi bir tasarım. Anahtar sinyal, bağımsız olmama durumudur — kümelenmeyi göz ardı etmek yapay olarak küçük standart hatalara ve şişirilmiş Tip I hataya yol açarsa, bir karma model gereklidir. Gözlemlerin gerçekten bağımsız olduğu durumlarda (standart OLS daha basittir ve eşit derecede geçerlidir), grup boyutlarının çok küçük olduğu durumlarda (her biri bir gözlemle beşten az grup varyans bileşeni tahminini güvenilmez hale getirir) veya sonucun sürekli olmadığı durumlarda (bunun yerine genelleştirilmiş doğrusal karma model kullanın) kullanmayın.
Güçlü yönler & sınırlılıklar
- Tekrarlanan ölçümlerden, boylamsal veya iç içe verilerden kaynaklanan bağımsız olmama durumunu uygun şekilde hesaba katar, geçerli standart hatalar ve p-değerleri verir.
- Dengesiz tasarımları ve belirli bir zaman noktasındaki eksik gözlemleri zarif bir şekilde ele alır — eksik verileri olan özneler sahip oldukları ölçümleri katkıda bulunurlar.
- Eş zamanlı olarak popülasyon düzeyindeki sabit etkileri ve birim düzeyindeki rastgele etkileri modeller, hem grup ortalaması hem de özneye özgü tahminler sağlar.
- İkili, sayım veya diğer normal olmayan sonuçlar için genelleştirilmiş doğrusal karma modellere (GLMM'ler) doğal olarak genelleştirilir.
- Grup tahminlerinin kısmi havuzlanması, grup başına ayrı regresyonlara kıyasla aşırı uyumu azaltarak gürültülü grup düzeyindeki tahminleri genel ortalamaya doğru daraltır.
- Sonuçları önemli ölçüde etkileyebilecek rastgele etki yapısı (sadece rastgele kesişimler vs. rastgele eğimler) hakkında kararlar gerektirir; aşırı belirtilmiş rastgele yapılar yakınsamayabilir.
- Sabit etkiler üzerindeki çıkarım, payda serbestlik derecelerinin (Kenward-Roger, Satterthwaite) yaklaşık değerlerine bağlıdır ve bu değerler özellikle küçük örneklemlerde kusurludur.
- Normal dağılımlı rastgele etkiler ve artıkları varsayar; belirgin sapmalar (örneğin, yoğun çarpık sonuçlar) varyans bileşeni tahminlerini bozabilir.
- OLS'den hesaplama açısından daha talepkardır; çok sayıda öngörücü ve grupla karmaşık rastgele etki yapıları uzun uyum süreleri gerektirebilir veya yakınsamayabilir.
- Rastgele etki varyans bileşenlerinin yorumlanması, düz OLS eğimlerinden daha az sezgisel olan varyans bölümlemesi (ICC) anlayışı gerektirir.
SSS
Sabit etki ile rastgele etki arasındaki fark nedir?
Sabit etkiler, seviyeleri doğrudan ilgi çeken ve tam olarak tahmin edilen (örneğin, tedaviye karşı kontrol) popülasyon düzeyindeki parametrelerdir. Rastgele etkiler, daha büyük bir popülasyondan (örneğin, katılan okullar) çekilen seviyelerin bir örneğini temsil eder ve değişkenlikleri bireysel katsayılardan ziyade bir varyans bileşeni ile özetlenir.
Tahmin için ML mi yoksa REML mi kullanmalıyım?
Rastgele etki yapılarında farklılık gösteren modelleri karşılaştırırken REML kullanın — REML tarafsız varyans bileşeni tahminleri verir. Sabit etkilerindeki farklılıklar aracılığıyla modelleri olabilirlik oranı testleriyle karşılaştırırken ML kullanın, çünkü REML olabilirlikleri farklı sabit etki yapıları arasında karşılaştırılabilir değildir.
Karma bir modele mi yoksa sadece kümelenmiş standart hatalarla OLS'ye mi ihtiyacım olduğunu nasıl anlarım?
Karma bir model, gruplama varyansını modellemek ve bölmek istediğinizde, belirli gruplar için tahminler yapmak istediğinizde veya her biri için çok sayıda gözleme sahip az sayıda grubunuz olduğunda tercih edilir. Kümelenmiş standart hatalar (sağlam SE'ler), yalnızca sabit etkiler üzerindeki doğru çıkarım hakkında önemsediğiniz ve grup düzeyinde tahminlere ihtiyaç duymadığınız durumlarda daha hafif bir çözümdür.
Tekil uyum uyarısı nedir ve ne yapmalıyım?
Tekil uyum, bir veya daha fazla varyans bileşeninin tam olarak sıfır olarak tahmin edildiği anlamına gelir, bu da rastgele etki yapısının verilerin desteklediğinden daha karmaşık olduğunu gösterir. Rastgele eğimleri kaldırarak veya rastgele etki korelasyon yapısını sınırlayarak basitleştirin.
Karma modeller eksik verileri işleyebilir mi?
Evet, rastgele eksik (MAR) varsayımı altında. Bazı eksik zaman noktalarına sahip özneler, olasılığa tüm gözlemlenen ölçümlerini hala katkıda bulunur, bu nedenle model tüm mevcut verileri atama yapmadan kullanır. Rastgele olmayan eksik (MNAR) veriler varsa, ek hassasiyet analizleri gereklidir.
Kaynaklar
- Laird, N. M., & Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38(4), 963–974. DOI: 10.2307/2529876 ↗
- Pinheiro, J. C., & Bates, D. M. (2000). Mixed-Effects Models in S and S-PLUS. Springer. ISBN: 978-0387989570
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Linear Mixed Effects Model. ScholarGate. https://scholargate.app/tr/statistics/mixed-effects-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Karışık Etkiler Modeliİstatistik↔ karşılaştır
- Genelleştirilmiş Doğrusal Model (GLM)İstatistik↔ karşılaştır
- Hiyerarşik Doğrusal Model (HDM)İstatistik↔ karşılaştır
- Çok Düzeyli ModellemeAraştırma istatistiği↔ karşılaştır