[論文レビュー] Model Specification in Mixed-Effects Models: A Focus on Random Effects

Keith R. Lohse, Allan J. Kozlowski+1 more|arXiv (Cornell University)|Sep 28, 2022

Advanced Statistical Modeling Techniques被引用数 5

ひとこと要約

本論文は、縦断的、要因内反復測定、複数の分散要因を含む3つの一般的な研究デザインにおける混合効果モデルにおけるランダム効果の指定のための構造化されたフレームワークを提示する。オープンアクセスのコードを用いた具体例を通じて、誤った推論を避けるために正しいランダム効果の特定と含め方を明確にし、研究者や査読者にとって実用的なガイドラインを提供する。

ABSTRACT

Mixed-effect models are flexible tools for researchers in a myriad of fields, but that flexibility comes at the cost of complexity and if users are not careful in how their model is specified, they could be making faulty inferences from their data. We argue that there is significant confusion around appropriate random effects to be included in a model given the study design, with researchers generally being better at specifying the fixed effects of a model, which map onto to their research hypotheses. To that end, we present an instructive framework for evaluating the random effects of a model in three different situations: (1) longitudinal designs; (2) factorial repeated measures; and (3) when dealing with multiple sources of variance. We provide worked examples with open-access code and data in an online repository. We think this framework will be helpful for students and researchers who are new to mixed effect models, and to reviewers who may have to evaluate a novel model as part of their review.

研究の動機と目的

• 固定効果については十分に理解しているものの、ランダム効果の適切な指定について研究者間で広く混乱している状況に対処すること。
• 研究デザインとデータ構造に整合するランダム効果の指定を体系的に行うためのアプローチを提供すること。
• 学生、研究者、査読者が、より自信を持って一貫性をもって新規の混合効果モデルを評価できるように支援すること。
• とくに複雑またはネストされたデザインにおいて、誤ったランダム効果の指定による誤った推論のリスクを低減すること。
• 透明で再現可能な具体例とオープンソースコードを通じて、混合効果モデルの最良の実践を促進すること。

提案手法

• 縦断的、要因内反復測定、複数の分散要因の3つの異なるデザインタイプに特化した3段階のフレームワークを開発する。
• シミュレーションと実データの具体例を用いて、ランダム効果が実験的または観察的構造とどのように関連するかを説明する。
• 分散成分分解の原則を適用して、どの要因をランダム効果として扱うべきかを特定する。
• とくにネストされたおよびクロスされたランダム効果において、デザイン行列とグループ化構造がランダム効果を決定する役割を強調する。
• 非専門家が利用可能な再現性とアクセス性を確保するため、公開リポジトリにRコードとデータを提供する。
• 診断チェックと尤度比検定を用いてモデル選択を支援し、ランダム効果構造の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 縦断的デザインにおいて、研究者がどの要因をランダム効果としてモデル化すべきかを正しく特定する方法は何か？
• RQ2 複数の被験内要因を含む要因内反復測定デザインでは、適切なランダム効果構造は何か？
• RQ3 被験者、アイテム、セッションなど複数のランダム変動要因を含む場合、過剰適合や不十分適合を避けるためにどのようにモデル化すべきか？
• RQ4 提案されたランダム効果構造が理論的および統計的に妥当であるかどうかを評価するための基準は何か？
• RQ5 標準誤差の偏りや誤ったp値を引き起こすランダム効果指定の一般的な落とし穴を避けるにはどうすればよいか？

主な発見

• 適切なランダム効果の指定は、反保守的推論や第I種の過誤率の上昇を避けるために不可欠である。
• このフレームワークは、ネストされたおよびクロスされた要因を含む多様なデザインにおいて、ランダム効果構造の曖昧さを効果的に解消した。
• 縦断的デザインでは、個々の推移を説明するためにランダム切片とランダム傾きを含めることがしばしば必要であり、その組み込みによりモデルの適合度が向上する。
• 要因内反復測定デザインでは、研究デザインの構造に基づいて被験者、アイテム、または両方のランダム効果を含めるべきかどうかを明確にする。
• 尤度比検定と情報量基準（例：AIC、BIC）の使用により、モデルの比較と最適なランダム効果構造の選択が可能になる。
• オープンアクセスのコードとデータにより、異なる研究分野へのフレームワークの再現と応用が可能になる。