Czy ktoś może wyjaśnić różnicę między modelem mieszanym a analizą regresji liniowej? (Mam bardzo ograniczoną wiedzę na temat statystyki.)
Model efektów mieszanych ma zarówno efekty losowe, jak i stałe, podczas gdy standardowy model regresji liniowej ma tylko efekty stałe.
Rozważ przypadek, w którym masz dane dotyczące kilku dzieci, w których masz wiek i wzrost w różnych punktach czasowych i chcesz wykorzystać wiek do przewidywania wzrostu. Jeśli zechcesz założyć, że wszystkie dzieci mają takie same nachylenie i przechwytują zależnie od wieku do wzrostu, możesz dopasować regularny model liniowy z wiekiem jako predyktorem i wzrostem jako odpowiedzią. Możesz również dopasować model efektów stałych, w tym określenie identyfikatora dla każdego dziecka, które skutecznie pasowałoby do oddzielnego przechwytywania (lub nachylenia i przechwytywania, jeśli uwzględnisz interakcję) dla każdego dziecka.
Model efektów mieszanych pozwoli ci dopasować przecięcie i nachylenie jako efekty stałe, ale możesz także dołączyć losowy przechwyt (i losowe nachylenie, jeśli to pożądane), który modeluje możliwość różnic między dziećmi w inny sposób niż w pełni ustalony model efektów. Aby w pełni docenić zalety, potrzeba więcej niż to, co można znaleźć w odpowiedzi tutaj, naprawdę powinieneś przeczytać na ten temat w podręczniku lub wziąć udział w zajęciach, które mówią o modelach efektów mieszanych.
Moim zdaniem modele liniowe i liniowe modele mieszanych efektów w R: Tutorial w dwóch częściach autorstwa Bodo Winter to dobry punkt wyjścia dla osoby bez silnego doświadczenia w statystyce.
źródło