拟合混合效应模型

拟合混合效应模型在估计批次、操作员或日期等随机因子方差分量的同时,检验固定的分类因子和协变量。当忽略随机因子会使固定因子的检验过于乐观时使用。每个随机因子至少需要 3 个水平。输出包括方差分量、采用 Satterthwaite 自由度的 F 检验、系数,以及含 AICc 和 BIC 的模型汇总。

最后审阅

核心要点

混合效应模型分析的响应取决于固定因子(其水平供您比较)和从总体中抽取的随机因子,检验固定因子并估计随机因子的方差。

本页内容
  1. 用途
  2. 主要功能
  3. 统计方法
  4. 输入字段和选项
  5. 输出说明
  6. 计算示例

用途

拟合混合效应模型分析的响应取决于两类因子:固定因子,您希望比较其特定水平(两台机器、三家供应商、新旧两种方法);以及随机因子,其水平是从更大总体中抽取的样本(批次、样品、操作员、日期)。它检验固定因子,并估计每个随机因子带来多少方差。当忽略随机因子会使固定因子的检验过于乐观时使用,例如在每种条件下测量的是相同的批次或零件。

主要功能

  • 一个或多个固定的分类因子和连续型协变量,以及一个或多个随机因子。
  • 每个随机因子和误差的方差分量,含占总量的百分比、标准误、Z 检验和置信区间。
  • 采用 Satterthwaite 分母自由度的固定效应 F 检验。
  • 采用 Satterthwaite 自由度的系数、t 检验和置信区间。
  • 含 S、R-sq、R-sq(adj)、AICc、BIC 和 −2 log likelihood 的模型汇总。
  • 限制最大似然(REML)或最大似然(ML)估计。
  • Data Options:在分析之前对行进行子集筛选。

统计方法

模型为 y = Xβ + Σ Zᵢuᵢ + ε,其中 Xβ 包含固定因子(和为零的 −1/0/+1 编码)和协变量,每个随机因子 i 加入方差为 σᵢ² 的独立效应 uᵢ,误差 ε 的方差为 σ²。随机因子为相互独立的方差分量(不拟合交互作用)。方差采用 REML(默认)估计,它考虑了固定效应所占用的自由度,给出近似无偏的方差分量;或采用 ML,若要按 AICc 或 BIC 比较固定效应不同的模型,则需要使用 ML。含缺失值的行将被舍弃;每个随机因子至少需要 3 个水平。

在得到方差估计之后,固定系数为广义最小二乘估计。每个固定项用 F 统计量检验,其分母自由度来自 Satterthwaite 近似;每个系数则用基于 Satterthwaite 自由度的 t 检验。方差分量的标准误来自 Fisher 信息,并用单侧 Z = Var / SE Var 检验该分量是否为零,置信区间在对数尺度上计算,因此永远不会为负。当随机因子的水平较少时,该 Z 检验的功效很低,区间也很宽。

R-sq 将条件拟合(固定效应加预测的随机效应)与总变异相比较。S 为误差方差的平方根。AICc 和 BIC 越小,模型越好;使用 REML 时,它们只能比较固定效应相同的模型。

输入字段和选项

字段

说明

Response (Y)

数值型响应列。必填。

Fixed factors (categorical)

一列或多列,其特定水平是直接关注的对象。必填。

Random factors (categorical)

一列或多列,其水平是从更大总体中随机抽取的样本(例如 Field、Batch、Operator),按相互独立的方差分量建模。必填。

Covariates (continuous)

可选的数值列,仅作为固定主效应输入。

Confidence level

默认值为 95。

Estimation method

限制最大似然(Restricted maximum likelihood,REML),为默认值,或最大似然(Maximum likelihood,ML)。

Data Options: Subset (optional)

Exclude matching rows(默认)或 Include only matching rows,按行号和/或条件匹配。

fit-mixed-effects-model-inputs


图 1 — 滴定仪示例的选项:以 Assay_pct 为响应,Titrator 为固定因子,Sample 和 Analyst 为随机因子,采用 REML。

输出说明

  • Method — 方差估计方法以及固定效应的自由度方法。
  • Variance Components — 每个随机因子、误差和合计的 Var、% of Total、SE Var、Z-Value、P-Value 和置信区间。
  • Tests of Fixed Effects — 每个固定因子和协变量的 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 和置信区间。
  • 若优化器未完全收敛,将显示警告。
  • 可通过 Download 导出 PDF。

fit-mixed-effects-model-output


图 2 — 检测结果的混合模型:样品占方差的 95.2%,两台滴定仪存在差异(F = 24.82,p < 0.001)。

计算示例

一家纯碱实验室在两台自动滴定仪 T1 和 T2 上测量产品纯度(Assay_pct)。十个样品各由三名分析员在两台滴定仪上各测量两次:共 120 个结果。问题是两台滴定仪给出的结果是否相同。滴定仪是实验室拥有的两台仪器,因此 Titrator 是固定因子;样品和分析员代表许多可能的样品和分析员,因此它们是随机因子。实验室输入 Assay_pct 作为响应,Titrator 作为固定因子,Sample 和 Analyst 作为随机因子,采用 REML。Load Example 会填入这些数据(soda-ash-assay-expanded-grr,与量具 R&R Study (Expanded) 示例是同一项研究)和这些设置。

方差分量显示,样品本身之间的差异最大:0.0678(占总量的 95.2%,标准差约为 0.26 个百分点)。分析员分量很小,为 0.00155(2.18%),且与零无显著差异(p = 0.1658);误差,即单个结果的重复性,为 0.00187(标准差 0.043)。

Titrator 显著:F = 24.82,自由度为 1 和 107,p < 0.001。采用和为零的编码时,T1 的系数为 −0.0197,因此 T2 的读数比 T1 高约 0.039 个百分点,接近一个重复性标准差。由于每个样品都在两台滴定仪上测量,样品之间的差异不会掩盖这一差异。实验室决定对照参考标准检查两台滴定仪的校准。

常见问题

固定因子与随机因子有什么区别?

固定因子具有您希望比较的特定水平,例如两台机器、三家供应商,或新旧两种方法。随机因子的水平是从更大总体中抽取的样本,例如批次、样品、操作员或日期。混合效应模型检验固定因子,并估计每个随机因子带来多少方差。

什么情况下应使用混合效应模型?

当忽略随机因子会使固定因子的检验过于乐观时,应使用混合效应模型,例如在每种条件下测量的是相同的批次或零件。在滴定仪示例中,十个样品都在两台滴定仪上测量,因此样品之间的差异没有掩盖滴定仪之间的差异。

混合模型应使用 REML 还是 ML 估计?

REML 为默认方法,它考虑了固定效应所占用的自由度,给出近似无偏的方差分量。若要按 AICc 或 BIC 比较固定效应不同的模型,则需要使用 ML。使用 REML 时,AICc 和 BIC 只能比较固定效应相同的模型。

如何解读方差分量表?

每个随机因子和误差都有方差、占总量的百分比、标准误、检验该分量是否为零的单侧 Z 检验,以及在对数尺度上计算、因此永远不会为负的置信区间。当随机因子的水平较少时,Z 检验的功效很低,区间也很宽。