[论文解读] 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 5

一句话总结

本文提出了一套结构化框架，用于在三种常见研究设计——纵向设计、因子重复测量设计及多重方差来源设计——中正确指定混合效应模型的随机效应。通过提供开源代码的实例演示，阐明了如何准确识别并包含随机效应，以避免错误推断，为研究人员和审稿人提供实用指南。

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.

研究动机与目标

• 解决研究人员在混合效应模型中对适当随机效应存在广泛困惑的问题，尽管他们对固定效应已有充分理解。
• 提供一种系统化的模型指定方法，使随机效应与研究设计及数据结构相匹配。
• 支持学生、研究人员及审稿人更自信、一致地评估新型混合效应模型。
• 降低因随机效应误设导致的错误推断风险，尤其是在复杂或嵌套设计中。
• 通过透明、可复现的实例和开源代码，推广混合效应建模的最佳实践。

提出的方法

• 开发了一个三部分框架，针对三种不同设计类型：纵向设计、因子重复测量设计及多重方差来源设计。
• 使用模拟和真实数据实例，说明如何将随机效应与实验或观察结构正确关联。
• 应用方差成分分解原理，识别应作为随机效应处理的因素。
• 强调设计矩阵和分组结构在确定随机效应中的作用，特别是嵌套与交叉随机效应。
• 提供R代码和数据至公共代码仓库，确保可复现性，并使非专家也能访问。
• 通过诊断检验和似然比检验指导模型选择，以验证随机效应结构。

实验结果

研究问题

• RQ1 研究人员如何在纵向研究设计中正确识别应作为随机效应建模的因素？
• RQ2 具有多个被试内因素的因子重复测量设计，其适当的随机效应结构是什么？
• RQ3 如何对多个随机变异来源（如被试、刺激项目、会话）进行建模，以避免过拟合或欠拟合？
• RQ4 可使用哪些标准评估所提出的随机效应结构在理论和统计上是否合理？
• RQ5 研究人员如何避免随机效应指定中的常见陷阱，以防止标准误偏倚和p值错误？

主要发现

• 正确指定随机效应对于避免反保守推断和控制一类错误率过高至关重要。
• 该框架成功解决了在包括嵌套与交叉因素在内的多种设计中随机效应结构的模糊性。
• 在纵向设计中，随机截距和随机斜率通常必不可少，以解释个体轨迹差异，其引入可显著改善模型拟合。
• 对于因子重复测量设计，该框架明确了应基于设计结构在被试、刺激项目或两者上包含随机效应的时机。
• 似然比检验及信息准则（如AIC、BIC）有助于模型比较，并支持最优随机效应结构的选择。
• 开源代码与数据使该框架可在不同研究领域中实现复制与适配。