在线性Mixed-Effects模型估计参数
一个线性mixed-effects模型的形式
在哪里
y是n1响应向量,n是观测的数量。
X是一个n——- - - - - -p固定后果设计矩阵。
β是一个p1固定后果向量。
Z是一个n——- - - - - -问随机设计矩阵。
b是一个问1随机向量。
ε是n1观察误差向量。
随机向量,b误差向量,ε之前,被认为有以下独立分布:
在哪里D是一个对称半正定矩阵,由方差参数化组件向量θ,我是一个n——- - - - - -n单位矩阵,σ2误差方差。
在这个模型中,参数估计是固定后果系数β和方差组件θ和σ2。两种最常用的参数估计方法在线性mixed-effects模型最大似然和限制最大似然方法。
最大似然(ML)
最大似然估计包括回归系数和方差分量,即固定后果和随机条件似然函数。
定义为一个线性mixed-effects模型上面,响应变量的条件反射y鉴于β,b,θ,σ2是
的可能性y鉴于β,θ,σ2是
在哪里
假设Λ(θ)的下三角柯列斯基因素D(θ)和Δ(θ)的逆Λ(θ)。然后,
定义
假设b*的值是b满足
对于给定β和θ。然后,似然函数
P (y |β,θ,σ2)是第一个最大化对β和σ2对于一个给定的θ。因此,优化解决方案金宝搏官方网站 和 得到的函数θ。用这些解决方案到似然函数产生金宝搏官方网站 。这个表达式称为异形的可能性β和σ2已经被描绘出来。 是一个函数的θ算法,然后对优化θ。一旦它找到的最佳估计θ的估计,β和σ2是由 和 。
毫升的方法对待β固定但未知数量的方差分量估计,但没有考虑自由度损失估计的固定效果。这导致ML估计方差较小的偏见。然而,ML / REML的一个优点是,可以比较两个模型的固定和随机项。另一方面,如果你用REML估计参数,你只能比较两个模型,是嵌套在他们的随机项,固定后果相同的设计。
限制最大似然(REML)
限制最大似然估计只包括方差分量,即参数线性mixed-effects模型参数化随机项。β预计在第二步。假设一个统一的先验分布不当β和集成的可能性P (y|β,θ,σ2)对βP(可能性结果的限制y|θ,σ2)。也就是说,
该算法首先概要文件 和剩余最大化目标函数θ找到 。然后,限制可能是最大化σ2找到 。然后,它估计β通过寻找其期望值的后验分布
REML占自由度损失估计的固定效果,并使偏置随机效应方差估计。的估计θ和σ2不变的价值吗β和更少的敏感比ML估计数据中离群值。然而,如果你用REML估计参数,你只能比较两个模型有相同的固定后果设计矩阵和嵌套的随机项。
引用
[1]Pinherio, j . C。和d·m·贝茨。Mixed-Effects S和S +模型。统计和计算系列,施普林格,2004年。
[2]Hariharan, s和j·h·罗杰斯。“分层线性模型估计程序。”多层次的教育数据的建模康奈尔(a . a和d . b . McCoach eds)。夏洛特,NC:信息时代出版公司,2008。
[3]西弗吉尼亚,s w和s Bryk。分层线性模型:应用程序和数据分析方法第二版,千橡市CA:圣人出版物,2002。
[4]Hox, J。多层次分析,技术和应用程序。劳伦斯Erlbaum Associates Inc ., 2002年。
[5]Snidjers, t·r .丛林。多层次分析。CA:千橡市圣人出版物,1999。
[6]麦克洛克,着力点,R。S. Shayle, and J. M. Neuhaus.广义、线性混合模型。威利,2008年。
另请参阅
LinearMixedModel
|fitlme
|fitlmematrix