Czytałem wiele razy, że efekty losowe (BLUP / tryby warunkowe dla, powiedzmy, badanych) nie są parametrami liniowego modelu efektów mieszanych, ale zamiast tego można je wyprowadzić z oszacowanych parametrów wariancji / kowariancji. Np. Reinhold Kliegl i in. (2011) stan:
Efekty losowe to odchylenia badanych od średniej średniej RT i odchylenia badanych od parametrów efektu stałego. Zakłada się, że są one niezależnie i normalnie rozmieszczone ze średnią 0. Ważne jest, aby uznać, że te losowe efekty nie są parametrami LMM - są tylko ich wariancje i kowariancje. [...] Parametry LMM w połączeniu z danymi osobników można wykorzystać do wygenerowania „prognoz” (trybów warunkowych) losowych efektów dla każdego osobnika.
Czy ktoś może podać intuicyjne wyjaśnienie, w jaki sposób można oszacować parametry (ko) wariancji efektów losowych bez faktycznego wykorzystania / oszacowania efektów losowych?
źródło
Możesz łatwo oszacować parametry wariancji i kowariancji bez polegania na efektach losowych za pomocą efektów stałych (zobacz tutaj dyskusję efektów stałych vs. efektów losowych; pamiętaj, że istnieją różne definicje tych terminów).
Naprawione efekty można łatwo uzyskać, dodając (binarną) zmienną wskaźnikową dla każdej grupy (lub każdego okresu lub cokolwiek, co zamierzasz wykorzystać jako efekty losowe; jest to równoważne z transformacją wewnątrz). Pozwala to łatwo oszacować efekty stałe (które można postrzegać jako parametr).
Założenie o ustalonych efektach nie wymaga przyjęcia założenia o rozkładzie ustalonych efektów, możesz łatwo oszacować wariancję efektów stałych (chociaż jest to wyjątkowo hałas, jeśli liczba obserwacji w każdej grupie jest niewielka; minimalizują one uprzedzenie kosztem znacznie większej wariancji w porównaniu do efektów losowych, ponieważ tracisz jeden stopień swobody dla każdej grupy poprzez dodanie tych zmiennych wskaźnikowych). Można także oszacować kowariancje między różnymi zestawami efektów stałych lub między efektami stałymi a innymi zmiennymi towarzyszącymi. Zrobiliśmy to na przykład w artykule zatytułowanym Balance Competitive and Assortative Matching w niemieckiej Bundeslidze, aby oszacować, czy lepsi piłkarze coraz częściej grają dla lepszych drużyn.
Efekty losowe wymagają wcześniejszego założenia o kowariancji. W klasycznych modelach efektów losowych zakłada się, że efekty losowe są jak błąd i są niezależne od innych zmiennych towarzyszących (dzięki czemu można je zignorować i użyć OLS i uzyskać spójne, choć nieefektywne oszacowania dla drugiego parametru, jeśli założenia modelu efektów losowych są prawdziwe).
Więcej informacji technicznych jest dostępnych tutaj . Andrew Gelman ma również dużo bardziej intuicyjną pracę na ten temat w swojej miłej książce Analiza danych przy użyciu regresji i modeli wielopoziomowych / hierarchicznych
źródło