Skorelowałem dane i używam modelu mieszanych efektów regresji logistycznej do oszacowania indywidualnego (warunkowego) efektu dla predyktora zainteresowania. Wiem, że w przypadku standardowych modeli brzeżnych wnioskowanie na temat parametrów modelu za pomocą testu Walda jest spójne dla współczynników prawdopodobieństwa i testów punktowych. Zazwyczaj są one w przybliżeniu takie same. Ponieważ Wald jest łatwy do obliczenia i dostępny w danych wyjściowych R, używam tego 99% czasu.
Jednak w przypadku modelu efektów mieszanych byłem zaintrygowany, widząc ogromną różnicę między testem Walda dla efektów stałych, ponieważ są one raportowane w danych wyjściowych modelu w R, a testem prawdopodobieństwa „ręcznie”, który obejmuje faktycznie pasuje do zredukowanego modelu. Intuicyjnie rozumiem, dlaczego może to mieć ogromną różnicę, ponieważ w modelu zredukowanym wariancja efektu losowego jest ponownie szacowana i może znacząco wpływać na prawdopodobieństwo.
Czy ktoś może wyjaśnić
- Jak obliczane są statystyki testu Wald w R dla ustalonych efektów?
- Jaka jest matryca informacji dla szacowanych parametrów modelu w modelu efektów mieszanych? (i czy to ten sam mx, z którego obliczane są statystyki testu Wald?)
- Jakie są różnice w interpretacji wyników z dwóch testów w opisanych przeze mnie przypadkach? które są na ogół motywowane i wykorzystywane w literaturze do wnioskowania?
źródło
Odpowiedzi:
Tradycyjna statystyka Walda do testowania hipotezy H0 Lt = l dla danych L, rxp i l, rx 1, jest dana przez W = (Lt - l) '[L (X'H-1 X) -1 L'] -1 (Lt - l) i asymptotycznie, ta statystyka ma rozkład chi-kwadrat na r stopni swobody. Są to testy marginalne, dlatego istnieje korekta dla wszystkich innych terminów w stałej części modelu. R jest oprogramowaniem typu open source
źródło