Pod względem interpretacji współczynników występuje różnica w przypadku binarnym (między innymi). To, co różni się między GEE i GLMM, to cel wnioskowania: średnia dla populacji lub specyficzna dla przedmiotu .
Rozważmy prosty, wymyślony przykład związany z twoim. Chcesz modelować wskaźnik niepowodzenia wśród chłopców i dziewcząt w szkole. Podobnie jak w przypadku większości (podstawowych) szkół, populacja uczniów jest podzielona na klasy. Zachowujecie binarną odpowiedź z dzieci w klasach (tj Odpowiedzi binarne skupione przez klasie), gdzie , jeżeli uczeń od klasie przeszły i jeśli on / ona zawiodła. I jeśli uczeń z klasy jest mężczyzną, a 0 w przeciwnym razie.n i N ∑ N i = 1 n i Y i j = 1 j i Y i j = 0 x i j = 1 j iYnjaN.∑N.i = 1njaYI j= 1jotjaYI j= 0xI j= 1jotja
Aby wprowadzić terminologię, której użyłem w pierwszym akapicie, możesz myśleć o szkole jako o populacji, a klasach o przedmiotach .
Najpierw rozważ GLMM. GLMM dopasowuje model z efektami mieszanymi. Warunki modelu na ustalonej macierzy projektowej (która w tym przypadku składa się z punktu przecięcia i wskaźnika płci) oraz wszelkie przypadkowe efekty w klasach, które uwzględniamy w modelu. W naszym przykładzie uwzględnijmy losowe przechwytywanie, , które weźmie pod uwagę podstawowe różnice w odsetku niepowodzeń w klasach. Więc modelujemybja
log( P( YI j= 1 )P.( YI j= 0 )∣ xI j, bja) = β0+ β1xI j+ bja
Iloraz szans ryzyka niepowodzenia w powyższym modelu różni się w zależności od wartości która jest różna w klasach. Tak więc szacunki są specyficzne dla przedmiotu .bja
Z drugiej strony GEE pasuje do modelu marginalnego. Te modelowe średnie populacyjne . Modelujesz oczekiwanie tylko na stałej matrycy projektowej.
log( P( YI j= 1 )P.( YI j= 0 )∣ xI j) = β0+ β1xI j
Jest to sprzeczne z modelami efektów mieszanych, jak wyjaśniono powyżej, które warunki zarówno na ustalonej macierzy projektowej, jak i efektach losowych. Tak więc w powyższym marginalnym modelu mówisz: „zapomnij o różnicy między salami lekcyjnymi, chcę tylko, aby wskaźnik populacji (w szkole) był niepowodzeniem i jego związek z płcią”. Pasujesz do modelu i otrzymujesz iloraz szans, który jest ilorazem prawdopodobieństwa niepowodzenia dla populacji związanym z płcią.
Może się więc okazać, że twoje szacunki z modelu GEE mogą różnić się od twojego modelu GLMM, a to dlatego, że nie szacują tego samego.
(Jeśli chodzi o konwersję logarytmicznego ilorazu szans do ilorazu szans przez wykładniczość, tak, robisz to niezależnie od tego, czy jest to oszacowanie na poziomie populacji, czy dla konkretnego przedmiotu)
Niektóre uwagi / literatura:
W przypadku liniowym szacunki dla populacji i dla poszczególnych osób są takie same.
Zeger, i in. 1988 wykazał, że w przypadku regresji logistycznej
βM.≈ [ ( 16 3√15 π)2)V.+ 1 ]- 1 / 2βR E
gdzie to krańcowe, to oszacowania specyficzne dla danego podmiotu, a to wariancja efektów losowych.β R E VβM.βR EV.
Molenberghs, Verbeke 2005 zawiera cały rozdział na temat modeli efektów krańcowych i losowych.
Dowiedziałem się o tym i pokrewnych materiałach na kursie opartym w dużej mierze na Diggle, Heagerty, Liang, Zeger 2002 , świetnej referencji.