我最近阅读了 Bates、Kliegle、Vasishth 和 Baayen (2015) 的一篇关于随机效应结构修剪的论文。我的理解是，他们提出的 Parsimonious Mixed Model 主要遵循逐步排除几乎不考虑变异性的随机斜率的原则（即方差比例几乎为 0）。我想按照 Parsimonious Mixed Model 方法来修剪我目前正在撰写的一篇论文中的随机效应结构，并想总结一下我用来以准确和精确的方式修剪随机效应结构的原则。任何纠正我的误解将不胜感激。
简约混合模型
机器算法验证
r
混合模式
lme4-nlme
多层次分析
随机效应模型
2022-04-05 15:28:11
1个回答
是的，您的理解是正确的，但如果了解该论文的背景可能是一个好主意。在 Barr 等人（2013 年）发表的“Keep it Maximal”论文（贝茨大量引用）之后，由于无望地过度参数化的随机效应结构，从业者越来越多地面临着与奇异拟合收敛的模型。只需查看此处有关奇异拟合的帖子数量即可证明这一点。
Bates et al (2015) 专门尝试解决这个问题，我根据他们的建议在这里写了一个答案：
但是，我认为说 Bates 建议从最大模型开始并进行简化是不正确的。这是对首先认为最大模型是个好主意的人的建议。当估计的方差分量的数量接近于观察的数量时，这显然不是一个好主意，但如果不是这种情况，这可能是一个好主意。例如，在许多观察性研究中，允许所有主要暴露因受试者而异是完全合理的。但对于竞争性暴露和混杂因素来说，同样的事情就不容易说了。很可能情况下，具有随机斜率的模型比没有的模型更适合数据，但是从完全最大模型开始并根据似然比检验的 p 值阈值对其进行修剪，在我看来是错误的做法。我将从一个简约的模型开始，只包括我相信的随机斜率基于领域知识和理论，应允许先验因主题而异——这通常不包括混杂因素和竞争风险。如果该模型具有奇异拟合，那么我将使用上面答案中概述的方法，但如果没有，那么我不会寻求使随机结构更加复杂。
参考：
Bates, D.、Kliegl, R.、Vasishth, S. 和 Baayen, H.，2015 年。简约混合模型。arXiv 预印本 arXiv:1506.04967。
https://arxiv.org/pdf/1506.04967.pdf
Barr, DJ, Levy, R., Scheepers, C. 和 Tily, HJ, 2013。验证性假设检验的随机效应结构：保持最大。记忆和语言杂志，68（3），pp.255-278。
http://idiom.ucsd.edu/~rlevy/papers/barr-etal-2013-jml.pdf
其它你可能感兴趣的问题