配適混合效應模型
配適混合效應模型在估計批次、操作員或日期等隨機因子變異成分的同時,檢定固定的分類因子和共變數。當忽略隨機因子會使固定因子的檢定過於樂觀時使用。每個隨機因子至少需要 3 個水準。輸出包括變異成分、採用 Satterthwaite 自由度的 F 檢定、係數,以及含 AICc 和 BIC 的模型彙總。
最後審閱
核心要點
混合效應模型分析的反應取決於固定因子(其水準供您比較)和從總體中抽取的隨機因子,檢定固定因子並估計隨機因子的變異數。
用途
配適混合效應模型分析的反應取決於兩類因子:固定因子,您希望比較其特定水準(兩臺機器、三家供應商、新舊兩種方法);以及隨機因子,其水準是從更大總體中抽取的樣本(批次、樣品、操作員、日期)。它檢定固定因子,並估計每個隨機因子帶來多少變異數。當忽略隨機因子會使固定因子的檢定過於樂觀時使用,例如在每種條件下量測的是相同的批次或零件。
主要功能
- 一個或多個固定的分類因子和連續型共變數,以及一個或多個隨機因子。
- 每個隨機因子和誤差的變異成分,含佔總量的百分比、標準誤、Z 檢定和信賴區間。
- 採用 Satterthwaite 分母自由度的固定效應 F 檢定。
- 採用 Satterthwaite 自由度的係數、t 檢定和信賴區間。
- 含 S、R-sq、R-sq(adj)、AICc、BIC 和 −2 log likelihood 的模型彙總。
- 限制最大概似(REML)或最大概似(ML)估計。
- Data Options:在分析之前對列進行子集篩選。
統計方法
模型為 y = Xβ + Σ Zᵢuᵢ + ε,其中 Xβ 包含固定因子(和為零的 −1/0/+1 編碼)和共變數,每個隨機因子 i 加入變異數為 σᵢ² 的獨立效應 uᵢ,誤差 ε 的變異數為 σ²。隨機因子為相互獨立的變異成分(不配適互動作用)。變異數採用 REML(預設)估計,它考慮了固定效應所佔用的自由度,給出近似無偏的變異成分;或採用 ML,若要按 AICc 或 BIC 比較固定效應不同的模型,則需要使用 ML。含遺漏值的列將被捨棄;每個隨機因子至少需要 3 個水準。
在得到變異數估計之後,固定係數為廣義最小平方估計。每個固定項用 F 統計量檢定,其分母自由度來自 Satterthwaite 近似;每個係數則用基於 Satterthwaite 自由度的 t 檢定。變異成分的標準誤來自 Fisher 資訊,並用單側 Z = Var / SE Var 檢定該分量是否為零,信賴區間在對數尺度上計算,因此永遠不會為負。當隨機因子的水準較少時,該 Z 檢定的檢定力很低,區間也很寬。
R-sq 將條件配適(固定效應加預測的隨機效應)與總變異相比較。S 為誤差變異數的平方根。AICc 和 BIC 越小,模型越好;使用 REML 時,它們只能比較固定效應相同的模型。
輸入欄位和選項
欄位 | 說明 |
Response (Y) | 數值型反應欄。必填。 |
Fixed factors (categorical) | 一欄或多欄,其特定水準是直接關注的物件。必填。 |
Random factors (categorical) | 一欄或多欄,其水準是從更大總體中隨機抽取的樣本(例如 Field、Batch、Operator),按相互獨立的變異成分建模。必填。 |
Covariates (continuous) | 可選的數值欄,僅作為固定主效應輸入。 |
Confidence level | 預設值為 95。 |
Estimation method | 限制最大概似(Restricted maximum likelihood,REML),為預設值,或最大概似(Maximum likelihood,ML)。 |
Data Options: Subset (optional) | Exclude matching rows(預設)或 Include only matching rows,按列號和/或條件匹配。 |

圖 1 — 滴定儀範例的選項:以 Assay_pct 為反應,Titrator 為固定因子,Sample 和 Analyst 為隨機因子,採用 REML。
輸出說明
- Method — 變異數估計方法以及固定效應的自由度方法。
- Variance Components — 每個隨機因子、誤差和合計的 Var、% of Total、SE Var、Z-Value、P-Value 和信賴區間。
- Tests of Fixed Effects — 每個固定因子和共變數的 DF Num、DF Den、F-Value 和 P-Value。
- Model Summary — S、R-sq、R-sq(adj)、AICc、BIC 和 −2 log likelihood。
- Coefficients — Coef、SE Coef、DF、T-Value、P-Value 和信賴區間。
- 若最佳化器未完全收斂,將顯示警告。
- 可透過 Download 匯出 PDF。

圖 2 — 檢測結果的混合模型:樣品佔變異數的 95.2%,兩臺滴定儀存在差異(F = 24.82,p < 0.001)。
計算範例
一家純鹼實驗室在兩臺自動滴定儀 T1 和 T2 上量測產品純度(Assay_pct)。十個樣品各由三名分析員在兩臺滴定儀上各量測兩次:共 120 個結果。問題是兩臺滴定儀給出的結果是否相同。滴定儀是實驗室擁有的兩臺儀器,因此 Titrator 是固定因子;樣品和分析員代表許多可能的樣品和分析員,因此它們是隨機因子。實驗室輸入 Assay_pct 作為反應,Titrator 作為固定因子,Sample 和 Analyst 作為隨機因子,採用 REML。Load Example 會填入這些資料(soda-ash-assay-expanded-grr,與量具 R&R Study (Expanded) 範例是同一項研究)和這些設定。
變異成分顯示,樣品本身之間的差異最大:0.0678(佔總量的 95.2%,標準差約為 0.26 個百分點)。分析員分量很小,為 0.00155(2.18%),且與零無顯著差異(p = 0.1658);誤差,即單一結果的重複性,為 0.00187(標準差 0.043)。
Titrator 顯著:F = 24.82,自由度為 1 和 107,p < 0.001。採用和為零的編碼時,T1 的係數為 −0.0197,因此 T2 的讀數比 T1 高約 0.039 個百分點,接近一個重複性標準差。由於每個樣品都在兩臺滴定儀上量測,樣品之間的差異不會掩蓋這一差異。實驗室決定對照參考標準檢查兩臺滴定儀的校正。
常見問題
固定因子與隨機因子有什麼區別?
固定因子具有您希望比較的特定水準,例如兩臺機器、三家供應商,或新舊兩種方法。隨機因子的水準是從更大總體中抽取的樣本,例如批次、樣品、操作員或日期。混合效應模型檢定固定因子,並估計每個隨機因子帶來多少變異數。
什麼情況下應使用混合效應模型?
當忽略隨機因子會使固定因子的檢定過於樂觀時,應使用混合效應模型,例如在每種條件下量測的是相同的批次或零件。在滴定儀範例中,十個樣品都在兩臺滴定儀上量測,因此樣品之間的差異沒有掩蓋滴定儀之間的差異。
混合模型應使用 REML 還是 ML 估計?
REML 為預設方法,它考慮了固定效應所佔用的自由度,給出近似無偏的變異成分。若要按 AICc 或 BIC 比較固定效應不同的模型,則需要使用 ML。使用 REML 時,AICc 和 BIC 只能比較固定效應相同的模型。
如何解讀變異成分表?
每個隨機因子和誤差都有變異數、佔總量的百分比、標準誤、檢定該分量是否為零的單側 Z 檢定,以及在對數尺度上計算、因此永遠不會為負的信賴區間。當隨機因子的水準較少時,Z 檢定的檢定力很低,區間也很寬。
