📊 statistics

A Goodness-of-Fit Test for Mixed-Effects Logistic Regression

Diese Studie erweitert einen gruppierungsbasierten Wald-Test für gemischte logistische Regressionen um Zufallsslope und führt eine datengesteuerte Regel zur Gruppierung ein, um auch in dünn besetzten Cluster-Szenarien zuverlässige Anpassungstests durchzuführen, wie durch Simulationsstudien und die Implementierung im Stata-Programm `mlm_gof` belegt wird.

Ursprüngliche Autoren: Ariel Linden

Veröffentlicht 2026-04-22

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Ariel Linden

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Koch, der versucht, ein riesiges Menü für viele verschiedene Restaurants in einer Kette zu planen. Jedes Restaurant (das ist die „Gruppe" oder der „Cluster") hat seine eigenen Besonderheiten: vielleicht mag Restaurant A die Gäste etwas süßer, während Restaurant B sie salziger mag.

In der Statistik nennen wir das gemischte logistische Regression. Es ist ein Werkzeug, um vorherzusagen, ob ein Gast ein bestimmtes Gericht mag (ja/nein), basierend auf Zutaten (wie BMI, Alter, Intervention), während man gleichzeitig berücksichtigt, dass jedes Restaurant einen eigenen „Stil" hat.

Das Problem ist: Wie weiß man, ob Ihr Rezept wirklich gut ist? Wenn Sie nur raten, ob es schmeckt, könnten Sie die Gäste enttäuschen. In der Statistik nennen wir das einen Güte-Test (Goodness-of-Fit-Test). Er prüft: „Passt mein Modell wirklich zu den Daten, oder habe ich etwas Wichtiges übersehen?"

Hier ist das Problem, das Ariel Linden in diesem Papier löst:

1. Das alte Problem: Die starre Regel

Bisher gab es einen Test, der wie ein starrer Kochlöffel funktionierte. Er teilte alle Gäste in genau 10 Gruppen ein, um zu prüfen, ob das Essen schmeckte.

Das Problem: Was passiert, wenn ein Restaurant nur 3 Gäste hat? Sie können diese 3 Gäste nicht in 10 Gruppen aufteilen! Es entstehen leere Teller, und der Test bricht zusammen. Das ist wie der Versuch, 3 Äpfel in 10 Körbe zu verteilen – es funktioniert einfach nicht.

2. Die neue Lösung: Der flexible Kochlöffel

Linden hat einen neuen Test entwickelt, der sich wie ein intelligenter, flexibler Kochlöffel verhält. Er passt sich der Situation an.

Die neue Regel: „Wie viele Gäste hat das kleinste Restaurant? Wenn es nur 5 sind, dann machen wir nur 5 Gruppen. Wenn es 15 sind, machen wir 10 (das ist das Maximum)."
Die Formel: G = min(10, nmin). Das bedeutet: Wir nehmen entweder 10 Gruppen oder die Anzahl der Gäste im kleinsten Restaurant – je nachdem, was kleiner ist. So funktioniert der Test auch in kleinen Restaurants (kleinen Daten-Clustern).

3. Was hat der Test entdeckt? (Die Simulation)

Der Autor hat den Test in einer riesigen virtuellen Küche getestet (eine Simulation mit 44.000 Szenarien). Hier sind die wichtigsten Erkenntnisse, einfach erklärt:

Er ist fair (Typ-I-Fehler): Der Test schreit nicht „Das Essen ist verbrannt!", wenn es eigentlich perfekt ist. Er bleibt ruhig, auch wenn die Restaurants sehr klein sind.
Er ist scharfsinnig (Power): Wenn Sie etwas Wichtiges im Rezept vergessen haben (z. B. dass der Geschmack von der Temperatur abhängt oder dass zwei Zutaten zusammen besser schmecken), dann schreit der Test: „Achtung! Etwas stimmt nicht!" Er findet diese Fehler sehr gut.
Er hat eine Blaupause (Limitation): Der Test kann nicht erkennen, wenn Sie vergessen haben, dass es überhaupt verschiedene Restaurants gibt. Wenn Sie denken, alle Gäste kämen aus einem einzigen großen Raum, aber eigentlich sind sie in Restaurants verteilt, merkt dieser Test das nicht. Dafür braucht man andere Werkzeuge.

4. Das praktische Werkzeug: `mlm_gof`

Der Autor hat dieses Rezept in ein Computerprogramm namens mlm_gof für das Statistik-Programm Stata gepackt.

So funktioniert es: Sie kochen Ihr Gericht (fitzen Ihr Modell). Dann rufen Sie den Test auf.
Das Ergebnis: Der Test sagt Ihnen: „Alles klar, Ihr Modell passt gut" oder „Halt, hier gibt es Lücken!"

Zusammenfassung für den Alltag

Stellen Sie sich vor, Sie bauen ein Haus.

Das alte Modell: Ein Prüfer, der sagt: „Ich prüfe nur, ob das Dach passt, aber nur wenn das Haus mindestens 10 Stockwerke hat." Wenn Sie ein kleines Häuschen bauen, sagt er: „Ich kann nicht prüfen."
Das neue Modell (Linden): Ein Prüfer, der sagt: „Ich schaue mir an, wie groß Ihr Haus ist. Ist es klein? Dann passe ich meinen Prüfplan an. Ist es groß? Dann nutze ich den Standardplan." Und er ist besonders gut darin, zu merken, wenn Sie eine Wand vergessen haben (falsche Formel), aber er merkt nicht, wenn Sie das Fundament falsch gelegt haben (fehlende Gruppierung).

Warum ist das wichtig?
In der Medizin und Sozialforschung arbeiten wir oft mit kleinen Gruppen (z. B. 5 Patienten pro Arzt). Ohne diesen neuen Test würden wir viele Modelle als „gut" abhaken, obwohl sie eigentlich Fehler enthalten, oder wir könnten gar keine Prüfung durchführen. Dieser Test macht die Statistik robuster und fairer, besonders in kleinen, realen Situationen.

Titel: Ein Anpassungstest für gemischte logistische Regression (Goodness-of-Fit Test for Mixed-Effects Logistic Regression)

Autor: Ariel Linden (University of California, San Francisco)

1. Problemstellung

Gemischte logistische Regressionsmodelle (Mixed-Effects Logistic Regression) sind ein Standardwerkzeug zur Analyse binärer Ergebnisse in hierarchischen Datenstrukturen (z. B. Patienten in Ärzten, Messwiederholungen in Individuen). Trotz ihrer weiten Verbreitung fehlen formale Tests zur Überprüfung der Modellgüte (Goodness-of-Fit, GoF) für komplexe Modelle.

Die bestehenden Herausforderungen sind:

Eingeschränkte Anwendbarkeit: Bisherige formale Tests (z. B. von Perera et al. oder Fernando und Sooriyarachchi) beschränken sich auf Modelle mit zufälligen Achsenabschnitten (random intercepts). Sie können keine Modelle mit zufälligen Steigungen (random slopes) behandeln, bei denen sich der Effekt einer Kovariate über die Cluster hinweg unterscheidet.
Problem bei dünn besetzten Clustern: Herkömmliche Methoden (inspiriert vom Hosmer-Lemeshow-Test) teilen die Daten in fest 10 Gruppen auf. In gemischten Modellen können Cluster jedoch weniger als 10 Beobachtungen enthalten. Dies führt zu leeren Zellen, degenerierten Indikatorvariablen und einem Scheitern der Schätzung des augmentierten Modells.
Fehlende Validierung: Es gab keine umfassenden Simulationen, die die Leistungsfähigkeit dieser Tests bei kleinen Stichprobengrößen und komplexen dreistufigen Designs mit zufälligen Steigungen untersuchen.

2. Methodik

Der Autor entwickelt und validiert einen neuen GoF-Test, der auf dem gruppenbasierten Wald-Test-Framework von Lipsitz et al. aufbaut, jedoch für gemischte Modelle erweitert wurde.

Das statistische Verfahren:

Modellierung: Ein gemischtes logistisches Modell mit zufälligen Achsenabschnitten und zufälligen Steigungen wird geschätzt (z. B. dreistufig: Familie – Subjekt – Messzeitpunkt).
Gruppierung: Beobachtungen werden innerhalb jedes Clusters basierend auf ihren vorhergesagten Wahrscheinlichkeiten ( $\hat{p}_{ij}$ ) gruppiert.
Augmentiertes Modell: Es werden Indikatorvariablen für diese Gruppen in das ursprüngliche Modell eingefügt.
Teststatistik: Ein Wald-Test prüft die gemeinsame Signifikanz der Koeffizienten dieser Gruppenindikatoren ( $H_0: \gamma_2 = \dots = \gamma_G = 0$ ). Ein signifikantes Ergebnis deutet auf eine Fehlspezifikation des Modells hin.

Die innovative Regel zur Gruppenauswahl:
Ein zentrales methodisches Element ist die datengesteuerte Regel zur Bestimmung der Anzahl der Gruppen $G$ :
$G = \min(10, n_{min})$
Dabei ist $n_{min}$ die kleinste Clustergröße im Datensatz.

Wenn Cluster $\ge 10$ Beobachtungen haben, wird der Standardwert $G=10$ verwendet.
Wenn Cluster kleiner als 10 sind, wird $G$ an die Clustergröße angepasst, um leere Zellen und Schätzscheitern zu vermeiden.

Simulationsdesign:
Es wurden 44 Szenarien mit 1.000 Wiederholungen pro Szenario (insgesamt 44.000) simuliert, um drei Aspekte zu prüfen:

Fehler 1. Art (Type I Error): Prüfung unter korrekter Modellspezifikation.
Teststärke (Power): Prüfung bei Fehlspezifikationen (weggelassene quadratische Terme, Interaktionen, fehlende Clusterebene).
Sensitivität der Gruppenauswahl: Vergleich der datengesteuerten Regel ( $G = \min(10, n_{min})$ ) mit dem starren $G=10$ in dünn besetzten Designs.

Die Implementierung erfolgt im Stata-Programm mlm_gof unter Verwendung der vollen Maximum-Likelihood-Schätzung (Full ML).

3. Wichtige Beiträge

Erweiterung auf zufällige Steigungen: Der Test ist der erste formale GoF-Test, der Modelle mit zufälligen Steigungen (random slopes) in gemischten logistischen Regressionen unterstützt.
Lösung für kleine Cluster: Die Einführung der Regel $G = \min(10, n_{min})$ löst das Problem der Schätzunmöglichkeit bei dünn besetzten Clustern, ein Problem, das in der bisherigen Literatur ignoriert wurde.
Validierung bei kleinen Stichproben: Die Studie zeigt, dass der Test auch bei deutlich kleineren Stichprobengrößen ( $N=1.500$ ) stabil funktioniert, während frühere Studien Instabilitäten erst bei $N \ge 4.500$ beobachteten.

4. Ergebnisse

Fehler 1. Art (Type I Error): Der Test hält das nominale Signifikanzniveau ( $\alpha = 0.05$ ) über alle 24 Null-Szenarien hinweg ein (Rejektionsraten zwischen 0,035 und 0,060). Dies gilt auch für die kleinsten Designs.
Teststärke (Power):
- Fehlspezifikation fester Effekte: Der Test zeigt eine hohe Power, um nicht-lineare Zusammenhänge (weggelassene quadratische Terme) und Interaktionen zu erkennen. Die Power steigt mit der Effektstärke (z. B. von 0,07 bei kleinen Effekten auf 1,00 bei großen Effekten für nicht-lineare Terme).
- Fehlende Clusterebene: Wie erwartet, hat der Test keine Power, um das Fehlen einer Clusterebene (z. B. das Ignorieren eines zufälligen Achsenabschnitts) zu erkennen. Dies liegt daran, dass der Test auf Mustern in den vorhergesagten Wahrscheinlichkeiten innerhalb der Cluster basiert, die durch das Fehlen einer zufälligen Komponente nicht systematisch verzerrt werden.
Vergleich der Gruppenauswahl:
- In balancierten Designs mit kleinen Clustern ( $n < 10$ ) führte die starre Festlegung auf $G=10$ zu einem kompletten Versagen des Tests (keine gültigen Ergebnisse).
- Die datengesteuerte Regel lieferte in allen Fällen valide Ergebnisse.

5. Bedeutung und Schlussfolgerung

Dieses Paper schließt eine kritische Lücke im diagnostischen Werkzeugkasten für gemischte logistische Regressionen.

Praktische Relevanz: Das Stata-Programm mlm_gof ermöglicht Forschern nun eine routinehafte Überprüfung der Modellgüte, auch in komplexen Designs mit zufälligen Steigungen und kleinen Clustern.
Methodische Strenge: Die Studie unterstreicht, dass die Verwendung von Full-Maximum-Likelihood-Schätzungen (anstatt PQL/MQL) und die Anpassung der Gruppenanzahl an die Datenstruktur für zuverlässige Inferenz entscheidend sind.
Einschränkungen: Der Test ist nicht geeignet, um das Fehlen von Zufallseffekten zu detektieren; hierfür sollten Likelihood-basierte Modellvergleiche oder Informationskriterien verwendet werden. Zudem basiert der Test auf asymptotischen Annahmen, die bei sehr wenigen Clustern ( $J < 15$ ) problematisch sein können.

Zusammenfassend bietet der vorgestellte Test ein robustes, datengesteuertes Verfahren zur Sicherstellung der Angemessenheit von Modellen in der medizinischen, epidemiologischen und sozialwissenschaftlichen Forschung, wo hierarchische Daten mit binären Outcomes häufig vorkommen.