Кто-нибудь может объяснить, пожалуйста, разницу между смешанной моделью и линейным регрессионным анализом? (У меня очень ограниченные знания статистики.)
Модель смешанных эффектов имеет как случайные, так и фиксированные эффекты, в то время как стандартная модель линейной регрессии имеет только фиксированные эффекты.
Рассмотрим случай, когда у вас есть данные о нескольких детях, когда у вас есть возраст и рост в разные моменты времени, и вы хотите использовать возраст для прогнозирования роста. Если вы хотите предположить, что у всех детей одинаковый уклон и перехват, относящиеся к возрасту и росту, то вы можете подобрать регулярную линейную модель с возрастом в качестве предиктора и ростом в качестве ответа. Вы также можете подобрать модель с фиксированными эффектами, включающую в себя термин id для каждого дочернего элемента, который будет эффективно соответствовать отдельному перехвату (или наклону и перехвату, если вы включите взаимодействие) для каждого дочернего элемента.
Модель смешанных эффектов позволит вам установить средний перехват и наклон в качестве фиксированных эффектов, но затем вы также можете включить случайный перехват (и случайный наклон, если необходимо), который моделирует возможность различий между детьми иначе, чем полностью фиксированный модель эффектов. Чтобы полностью оценить преимущества, нужно больше, чем то, что можно было бы включить в ответ здесь, вы действительно должны прочитать эту тему в учебнике или посетить урок, который рассказывает о моделях смешанных эффектов.
На мой взгляд, линейные модели и модели линейных смешанных эффектов в R: Tutorial из двух частей от Bodo Winter - хорошая отправная точка для человека, не имеющего большого опыта в статистике.
источник