R数据分析:混合效应模型的可视化解释,再不懂就真没办法

好多同学咨询我混合效应模型,有些问题自己需要讲很多遍,想想就再开一贴,争取这一篇文章给大家写清楚。

混合效应模型名字很多,Hierarchical Modeling, also known as Mixed Effects Modeling,有叫分层模型的,分层回归的,随机模型的等等,你要知道它都是指的是一个东西。

这个东西就是用来分析嵌套数据的!---------nested data

嵌套数据

这个时候有人就问,啥是嵌套数据啊?

These are instances in which each observation is a member of a group, and you believe that group membership has an important effect on your outcome of interest.

嵌套数据就是套着的数据,你就这么理解,就是比如说我要分析学生学习对收入的影响,我调查了好多学校,我是不是可以很有理由的认为学校水平上的特征也会影响学生收入?

这个时候学生就是嵌套在学校水平上的。

再来一个例子,比如我要调查焦虑和抑郁的关系,我调查了30个人,每个人调查了5次,我得到了150个数据,那么这些数据是不是嵌套在个人水平上的?

理解没?

还没有,好吧,继续

我们收集的数据先做个散点图:

R数据分析:混合效应模型的可视化解释,再不懂就真没办法

我们假设上面的数据是员工的收入数据,横轴是工作年限,纵轴是收入,我调查了整个公司的员工,员工分布在不同部门吧,我说部门的不同会影响员工收入没问题吧,上图中颜色不同代表部门不同。

其实数据就是嵌套的,它是这样的:

R数据分析:混合效应模型的可视化解释,再不懂就真没办法

每个人嵌套在不同部门种,好,现在你要看收入和工作时间的关系,你如果不考虑嵌套,会怎么做?

是不是你直接做个以工作时间为自变量,以收入为因变量的回归?

做出来就长这样:

R数据分析:混合效应模型的可视化解释,再不懂就真没办法

看着还行?

错!

你这个系数根本就不准,你没有考虑嵌套,没有考虑部门间也就是更高水平的变异!

混合效应模型

那么,告诉我到底怎么做嘛,

接着看,你肯定听过随机斜率和随机截距。

我们一个个来看,我刚刚说了你没有考虑更高水平的变异,那么这个变异情况有什么可能,你自己想嘛,是不是有可能部门间的起薪不一样?有可能部门间薪资增长率不一样?或者两个都不一样嘛。

那么随机截距就是描述不同部门起薪的,加上随机截距就意味着我们认为不同的部门起薪不一样,可以变化,这个时候就是有随机截距的混合效应模型:

R数据分析:混合效应模型的可视化解释,再不懂就真没办法

在上面的描述中,个体水平上斜率是一定的,是固定效应,部门水平上可以有不同的起薪,是随机效应。

再看随机斜率,

就是说,有可能员工起薪都一样只是薪资增长斜率在不同部门不一样,要拟合这样一个混合效应模型我们就要给模型的高水平,也就是部门水平加上随机斜率:

R数据分析:混合效应模型的可视化解释,再不懂就真没办法

此时我们的模型可以拟合不同部门的斜率,这个叫做随机斜率模型。此时我们认为,个人薪资受到个人水平上的工作年限的影响和不同部门薪资增长的影响,工作年限是主效应,部门薪资增长是随机效应。

但是我们看到,对于我们这个例子来说,只有随机斜率似乎不太理想。

继续看,

随机斜率+随机截距

也就是说更合理的情况就是每个部门的起薪和每个部门的薪资增长都是不一样的,这种情况就是随机截距+随机斜率:

R数据分析:混合效应模型的可视化解释,再不懂就真没办法

这种情况下,我们就认为每个人的薪资受到部门起薪的影响,还受到部门薪资增长的影响,此时工作年限是主效应,部门起薪,部门薪资增长都是随机效应。

如何选择

你明白上面三种模型后,又出现问题了

那我咋知道我到底该加随机截距还是随机斜率啊

问的好,此时要么你就更具理论经验,比如我就确定部门起薪就是一样的,那我就只加随机斜率;还有你可以一个一个试错,因为模型拟合出来都有拟合优度指数,你去看哪个模型的拟合优度最好你就选哪个。

小结

今天给大家写了混合效应模型的不同类型,至于具体如何做,请看我之前的文章。感谢大家耐心看完,自己的文章都写的很细,代码都在原文中,希望大家都可以自己做一做,请关注后私信回复“数据链接”获取所有数据和本人收集的学习资料。如果对您有用请先收藏,再点赞转发。

也欢迎大家的意见和建议。

如果你是一个大学本科生或研究生,如果你正在因为你的统计作业、数据分析、论文、报告、考试等发愁,如果你在使用SPSS,R,Python,Mplus, Excel中遇到任何问题,都可以联系我。因为我可以给您提供好的,详细和耐心的数据分析服务。

如果你对Z检验,t检验,方差分析,多元方差分析,回归,卡方检验,相关,多水平模型,结构方程模型,中介调节,量表信效度等等统计技巧有任何问题,请私信我,获取详细和耐心的指导。

If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #reports, #composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.

Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??

Then Contact Me. I will solve your Problem...

加油吧,打工人!

猜你喜欢

R数据分析:混合效应模型实例

从“我丑到我自己了”说起——混合效应模型续

重复测量数据分析系列:混合效应模型基础

R数据分析:如何计算问卷的聚合效度,实例操练

R数据分析:如何计算问卷的组合信度,实例操练

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,088评论 5 459
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,715评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,361评论 0 319
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,099评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 60,987评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,063评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,486评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,175评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,440评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,518评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,305评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,190评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,550评论 3 298
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,880评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,152评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,451评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,637评论 2 335

推荐阅读更多精彩内容