Du är en av...aktiva besökare på den svenska delen av denna webbplats.
(Dessutom...aktiva besökare på den engelska delen.)
Citera denna sida som:
-
Modeller med blandade effekter
-
Först publiserad:
på:
Senast updaterad:
Om du vill informera om att denna webbsida finns...
Modeller med blandade effekter (mixed-effects models) är alla regressionsmodeller som har både oberoende variabler som är fasta (fixed) och slumpmässiga (random) (se tabell nedan). I datorprogram återfinns detta oftast inom något som kallas “Generalized Linear Mixed Model (GLMM)”. I GLMM inkluderar man ofta kombineringar av fasta och slumpmässiga variabler i en av de olika linjära regressionerna. Flernivåanalyser använder i princip alltid GLMM när de räknar analytisk statistik.
| Egenskap | Fast (fixed) effekt | Slumpmässig (Random) effekt |
|---|---|---|
| Intresse | Uppskatta ett bidrag som varje nivå av mätvärde (eller grupptillhörighet) bidrar med. Detta är ofta en effektstorlek (ibland med tillhörande p-värde). | Uppskatta, och framför allt justera för, variansen som olika mätvärden bidrar med. Detta är variabler som introducerar ett “brus” i vårt dataset. |
| Urval | Alla nivåer av mätvärden / alla grupper som man vill uttala sig om är representerade. När det gäller nivåer av mätvärden gör det inget om enstaka nivåer av mätvärden som ligger mellan vad som har observerats saknas. (exempelvis hade de flesta inkluderade patienter i en studie systoliskt blodtryck mellan 110-170 mmHg men ingen patient hade just mätvärdet 132, detta är inget problem). | Nivåerna av mätvärdena är ett stickprov från en större population där det kan finnas nivåer av mätvärden (eller grupper) som ligger utanför våra observationer. |
| Syfte | Leta efter samband eller jämföra grupper med varandra. Man kan uttala sig om det enskilda bidraget från varje observerat värde / varje inkluderad grupp. | Observationer skall normalt vara oberoende av varandra. När de inte är detta måste man kontrollera för det. Ofta kan dessa beroenden vara att observationerna är i flera nivåer. Exempelvis kan flera observationer samlas under en patient och i sin tur samlas flera patienter under en klinik. Vi använder den slumpmässiga variabeln dels för att justera för detta och dels för att få en uppskattning av storleken på “bruset”. |
| Generalisering | Slutsatser gäller endast för de nivåer av mätvärden som har observerats (för de grupper som inkluderats). | Man kan endast uttala sig om vad den slumpmässiga variabeln som helhet bidrar med i fråga om varians. Man kan inte uttala sig om det enskilda bidraget från varje nivå av en variabel (för var och en av alla relevanta grupper). |
| Exempel | En variabel av intresse eller en grupptillhörighet. Exempel på variabler kan vara blodtryck, blodsocker, kroppsvikt, kön, ålder, val av behandling, etc. | En variabel som representerar beroende mellan observationer. Det kan vara patient, deltagare, skola, plats, etc. |