Comment signaler un modèle linéaire à effets mixtes pour ceux qui ne sont pas familiers et sceptiques?


8

J'ai rencontré ce problème à plusieurs reprises maintenant, avec des examinateurs demandant plus de justification pour l'utilisation des LMM, des tests traditionnels au lieu ou en plus des LMM, et des tableaux complets d'estimations des paramètres similaires à ce que vous rapporteriez avec un modèle linéaire régulier .

En ce moment, mon problème spécifique est un examinateur demandant "Un tableau contenant les principales estimations des paramètres des différents modèles". Je pense qu'ils veulent quelque chose comme un tableau traditionnel que l'on rapporterait pour un modèle linéaire (avec des tests t et des valeurs p), mais dans ce cas, les analyses impliquent des comparaisons de modèles imbriqués et il n'y a pas de tests t pour chacun des paramètres inclus dans chaque modèle, mais plutôt un seul test pour la comparaison de modèles, que je rapporte dans le document. Je ne sais donc pas quoi faire - je veux satisfaire l'examinateur, mais je ne veux pas nécessairement inclure d'énormes tableaux d'informations qui sont peu utiles pour évaluer les résultats. Pour l'instant, je rapporte simplement la valeur bêta, SE, chi carré et p. Je précise également quelles variables ont été incluses dans chaque modèle. Des suggestions sur la façon de procéder?

Voici ce que je propose de répondre:

Nous pensons que l'examinateur demande quelque chose de semblable à ce qui serait rapporté dans une analyse de régression multiple traditionnelle, avec des estimations de paramètres et leurs statistiques et valeurs p associées pour chaque variable incluse dans un modèle donné. Cependant, comme les analyses de modèles mixtes linéaires utilisent des modèles imbriqués comparant des modèles réduits à des modèles complets avec un paramètre supplémentaire, le seul paramètre testé est celui qui est ajouté dans le modèle complet (CITATION). En tant que tel, l'inclusion d'un tableau ne prendrait pas en charge l'interprétation des résultats comme il le ferait dans une analyse plus traditionnelle. Ainsi, pour chaque analyse, nous rapportons les bêtas pour le paramètre testé dans chaque comparaison de modèle, ainsi que les statistiques clés, dans le corps de la section des résultats, comme il est recommandé (CITATIONS).

Aussi, lorsqu'on me demande une justification de l'utilisation des LMM dans mon cas particulier, voici ce que je propose de répondre:

Nous avons utilisé des modèles mixtes linéaires car cette analyse nous a permis de tenir compte de la variabilité due au type d'essai dans nos modèles (essais avec ou sans interrupteur), tout en tenant compte du fait que les essais étaient imbriqués chez les sujets, et des réponses multiples de la même personne sont plus similaires que les réponses d'autres personnes. La prise en compte à la fois du type d'essai et de la variance au niveau du sujet des temps de réaction devrait réduire les erreurs dans nos modèles et augmenter notre capacité à détecter tout effet des performances de la tâche.

Si vous avez des suggestions pour améliorer cela, je vous en serais reconnaissant. Encore une fois, ce public n'est pas statistiquement sophistiqué, donc l'ajout de tableaux et de données supplémentaires ne fera probablement qu'ajouter à leur confusion / scepticisme.

Notez également que ma motivation pour l'utilisation des LMM est différente de ce que j'ai vu dans les articles (par exemple, la modélisation de plusieurs effets aléatoires simultanément - dans mon cas, il n'y a qu'un seul effet aléatoire - les participants et le type d'essai est un effet fixe), donc Je ne suis pas sûr que citer certains des articles les plus courants soit aussi utile. Il est possible que j'aie oublié d'autres façons d'analyser ces données, donc ma justification pour l'utilisation des LMM n'est pas appropriée.


Pouvez-vous donner plus d'informations sur le modèle que vous utilisez? Est-ce compliqué? De quels «modèles divers» parle le critique? Discutez-vous des modèles imbriqués dans votre manuscrit?
amoeba

Je rapporte plusieurs comparaisons de modèles impliquant un modèle réduit avec quelques covariables clés et un modèle complet avec les mêmes variables plus la variable indépendante d'intérêt. Dans la section de l'approche analytique de mon manuscrit, j'explique exactement comment tout cela fonctionnera, mais les examinateurs ne sont clairement pas familiers avec l'approche, donc ils ont toujours cette attente qui, je pense, est guidée par leur familiarité avec la régression multiple.
panpsych77

2
Je ne vois pas vraiment le problème. Vous pouvez simplement rapporter toutes les estimations de paramètres et SE pour les deux modèles, soit dans deux tableaux séparés ou combinés en un seul tableau, puis noter: "un test de rapport de vraisemblance comparant ces deux modèles a donné ..." Alternativement, vous pouvez faire l'exhaustivité ensemble de comparaisons de modèles et rapporter les statistiques du TLR à côté de chaque estimation de paramètre fixe dans le tableau complet du modèle, en utilisant par exempledrop1(merMod, type="chisq")
Jake Westfall

@JakeWestfall, merci! J'avais juste l'impression que la convention ne devait pas rapporter toutes ces informations (sur la base d'articles psychologiques que j'ai lus sur les LMM), mais maintenant je peux voir pourquoi il serait logique de le faire. Avez-vous des exemples tirés de vos propres articles ou d'ailleurs sur la façon dont vous formateriez ces tableaux? Similaire aux tables de régression multiples régulières, je suppose? Je peux trouver un moyen qui me semble intuitif mais toujours bon d'avoir des exemples.
panpsych77

2
@ panpsych77 Je demande régulièrement ces informations lors de la révision, principalement afin que les lecteurs comprennent clairement quelles étaient les spécifications complètes du modèle. Voici quelques exemples de la façon dont nous avons formaté ces tableaux dans des articles que j'ai co- écrits : jakewestfall.org/publications/ANES_supplement.pdf jakewestfall.org/publications/femininity.pdf
Jake Westfall

Réponses:


7

Je prends partiellement parti du critique sur celui-ci. Vous êtes intéressé par l'effet de votre paramètre d'intérêt - étant donné le reste du modèle . Il est difficile d'interpréter les résultats et de vérifier la validité du modèle si vous ne signalez qu'un seul paramètre d'intérêt. Je fournirais:

  • la formule de votre modèle
  • estimations bêta pour tous les effets fixes
  • SE et CI correspondants
  • statistiques de test correspondantes (z, t, Chi ^ 2, changement d'AIC / BIC, quoi que vous ayez utilisé) avec les df / n
  • valeurs p correspondantes
  • SD pour vos effets aléatoires et leurs corrélations (si nécessaire sous forme de tableau séparé)

Les contraintes d'espace dans la plupart des revues classiques obligeront à mettre ces informations dans un supplément en ligne.

Des exemples de rapports de modèles mixtes peuvent être trouvés ici .


Cela fait un certain temps que je cherche des lignes directrices sur la communication de modèles mixtes dans la recherche biomédicale / psychologique, mais je n'en ai pas trouvé. Je serais heureux pour toute référence citable.
mzunhammer

Les seules directives que j'ai trouvées sont des tutoriels en ligne, qui ne semblent pas appropriés. Je pourrais simplement citer le livre R (Crawley) ou quelques articles psychologiques qui rapportent les LMM dans la mesure où ils établissent un précédent.
panpsych77

Aussi, pourriez-vous lire ce que j'ai ajouté à mon message d'origine ci-dessus et me faire savoir si cela a du sens? Je vous remercie!
panpsych77

2
Mise à jour de la réponse ci-dessus. Un autre point que vous pourriez utiliser pour justifier l'utilisation de l'analyse LMM plutôt que de l'analyse LM standard est qu'il est nécessaire de tenir compte des mesures répétées, car ne pas le faire violerait l'hypothèse d'observations indépendantes.
mzunhammer

2
Les lecteurs voudront souvent voir les résultats présentés d'une manière qui facilite la comparaison d'une nouvelle étude avec les études précédentes. Par exemple, dans l'analyse de survie, les revues préfèrent souvent montrer de grands tableaux de nombreuses relations à variable unique au résultat même si ces relations ont une valeur statistique limitée. Ces tableaux fournissent une certaine assurance que la nouvelle cohorte de patients est similaire à d'autres cohortes. J'accepte de fournir plus plutôt que moins en termes de tableaux de résultats; l'explication des limites des tableaux remplit alors une fonction pédagogique utile aux lecteurs.
EdM
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.