Kann jemand bitte den Unterschied zwischen einem gemischten Modell und einer linearen Regressionsanalyse erklären? (Ich habe nur sehr begrenzte Kenntnisse der Statistik.)
Ein Modell mit gemischten Effekten hat sowohl zufällige als auch feste Effekte, während ein standardmäßiges lineares Regressionsmodell nur feste Effekte hat.
Stellen Sie sich einen Fall vor, in dem Sie Daten zu mehreren Kindern haben, deren Alter und Größe zu unterschiedlichen Zeitpunkten vorliegen und deren Alter Sie zur Vorhersage der Größe verwenden möchten. Wenn Sie davon ausgehen möchten, dass alle Kinder die gleiche Steigung und den gleichen Achsenabschnitt in Bezug auf Alter und Größe haben, können Sie ein reguläres lineares Modell mit dem Alter als Prädiktor und der Größe als Antwort anpassen. Sie können auch ein Modell mit festen Effekten anpassen, das einen ID-Begriff für jedes Kind enthält, der effektiv für jedes Kind einen separaten Abschnitt (oder Steigung und Abschnitt, wenn Sie die Interaktion einbeziehen) enthält.
Mit einem Modell mit gemischten Effekten können Sie einen durchschnittlichen Achsenabschnitt und eine Steigung als feste Effekte anpassen. Sie können jedoch auch einen zufälligen Achsenabschnitt (und eine zufällige Steigung, falls gewünscht) einschließen, der die Möglichkeit von Unterschieden zwischen den Kindern auf andere Weise als die vollständig festen modelliert Effektmodell. Um die Vorteile voll zu nutzen, ist mehr erforderlich, als in einer Antwort hier enthalten sein könnte. Lesen Sie das Thema in einem Lehrbuch nach oder nehmen Sie an einem Kurs teil, in dem es um Modelle mit gemischten Effekten geht.
Meiner Meinung nach sind lineare Modelle und lineare Modelle mit gemischten Effekten in R: Tutorial in zwei Teilen von Bodo Winter ein guter Ausgangspunkt für eine Person ohne starken statistischen Hintergrund.
quelle