📊 statistics

Assessing the impact of variance heterogeneity and misspecification in mixed-effects location-scale models

Dit artikel gebruikt een simulatiestudie om aan te tonen dat het verwaarlozen van variantieheterogeniteit in standaard lineaire gemengde modellen leidt tot vertekende schattingen en slechte dekking, terwijl het aantoont dat bij gemengde effecten locatie-schaalmodellen de misspecificatie van het schaalcomponent de locatie-schattingen niet vertekent, hoewel het misspecificeren van het locatiecomponent wel de schattingen van de schaal beïnvloedt.

Oorspronkelijke auteurs: Vincent Jeanselme, Marco Palma, Jessica K Barrett

Gepubliceerd 2026-01-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Vincent Jeanselme, Marco Palma, Jessica K Barrett

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een docent bent die probeert te begrijpen hoe leerlingen een nieuw vak leren over een bepaalde periode. Je hebt een klas van 300 leerlingen en je test ze elke paar weken.

De Oude Manier (Het Lineair Gemengd Model):
Traditioneel gebruiken statistici een hulpmiddel dat een "Lineair Gemengd Model" (LMM) wordt genoemd. Denk hierbij aan het trekken van een enkele, rechte lijn door de gemiddelde toetsresultaten van de klas om de algemene trend te zien. Het gaat ervan uit dat hoewel elke leerling zijn eigen startpunt heeft (sommigen zijn van nature slimmer, anderen hebben meer hulp nodig), de hoeveelheid "ruis" of onvoorspelbaarheid voor iedereen hetzelfde is.

Het gaat ervan uit dat hoewel Leerling A's scores wild heen en weer springen en Leerling B's scores heel stabiel zijn, het model hen behandelt alsof ze even stabiel zijn. Het gaat ervan uit dat de "wobbel" in de gegevens constant is. De paper noemt deze aanname homoscedasticiteit (een chic woord voor "gelijke spreiding").

Het Probleem:
In het echte leven klopt deze aanname vaak niet. Sommige leerlingen zijn heel consistent, terwijl anderen enorme pieken en dalen hebben. Als je dit verschil negeert (als je heteroscedasticiteit negeert), wordt je wiskunde een rommeltje. Je denkt misschien dat je heel zeker bent van je conclusies, terwijl je dat eigenlijk niet bent, of je mist belangrijke patronen.

Het Nieuwe Hulpmiddel (De MELSM):
De auteurs van deze paper testen een nieuwere, flexibelere tool genaamd het Mixed-Effect Location-Scale Model (MELSM).

Location (Locatie): Dit is de "gemiddelde" lijn (de trend).
Scale (Schaal): Dit is de "wobbel" of variabiliteit rondom die lijn.

De MELSM tekent niet alleen de gemiddelde lijn; het tekent ook een aparte lijn om te voorspellen hoeveel de scores van elke leerling zullen wobbelen. Het vraagt: "Hangt de wobbel van Leerling A af van hoeveel hij heeft gestudeerd? Hangt de wobbel van Leerling B af van zijn leeftijd?"

Wat de Paper Vond (De Experimenten):
De auteurs voerden duizenden computersimulaties uit (zoals het spelen van een videogame met verschillende regels) om te zien wat er gebeurt als je de oude tool gebruikt versus de nieuwe tool, en wat er gebeurt als je fouten maakt in de instelling ervan.

Hier zijn de belangrijkste conclusies, eenvoudig uitgelegd:

Het negeren van de Wobbel is gevaarlijk:
Als je de oude tool (LMM) gebruikt wanneer de data eigenlijk verschillende hoeveelheden wobble heeft, is je vertrouwen in de resultaten nep. Je denkt misschien dat je voor 95% zeker bent van een antwoord, maar je bent in werkelijkheid veel minder zeker. De "foutmarges" op je resultaten worden te klein, wat leidt tot verkeerde conclusies.
De relatie tussen de "Gemiddelde" en de "Wobbel":
- Als je de "Wobbel" fout krijgt: Als je de fout in het model voor de variabiliteit (de schaal) maakt, blijft de schatting voor de gemiddelde trend (de locatie) grotendeels correct, maar wordt deze "vager" (minder precies). Het is alsoals proberen een dartpijl op een doel te mikken terwijl de wind waait; je raakt nog steeds het algemene gebied, maar je bent minder zeker van de exacte plek.
- Als je de "Gemiddelde" fout krijgt: Als je het model voor de gemiddelde trend (de locatie) fout doet, verpest dit de schatting van de wobble volledig. Als je de hoofdtrend niet correct meeneemt, lijkt de overgebleven "ruis" een patroon te hebben dat er in werkelijkheid niet is.
Extra Variabelen Toevoegen:
Als je extra variabelen in je model opneemt die eigenlijk niet belangrijk zijn (zoals "lievelingskleur" toevoegen aan een model voor een wiskundetoets), breekt dat de wiskunde niet. Het zorgt er alleen voor dat de computer iets langzamer werkt. Het model is robuust genoeg om het nutteloze spul te negeren.
Het Missen van de "Hellingen":
Soms verandert de prestatie van een leerling niet alleen in startpunt, maar verandert ook de snelheid over tijd (een helling). Als je deze "verandering in snelheid" vergeet op te nemen in je model, daalt je vertrouwen in de resultaten opnieuw, zelfs als het gemiddelde er goed uitziet.
Real-World Test (De PBC Dataset):
De auteurs hebben dit getest op een echte medische dataset over leverziekte. Ze vergeleken de oude tool met de nieuwe tool.
- Resultaat: De oude tool en de nieuwe tool gaven vergelijkbare antwoorden voor de hoofdfactoren (zoals leeftijd of geslacht).
- De Kanttekening: De oude tool liet een andere, steilere curve zien voor hoe de ziekte zich in de loop van de tijd ontwikkelde vergeleken met de nieuwe tool. Dit bewijst dat het negeren van de "wobbel" kan veranderen hoe we het verhaal van de progressie van de ziekte zien.

De Kern van het Verhaal:
De paper betoogt dat we moeten stoppen met aannemen dat de data van iedereen even "ruizig" is. Door een MELSM te gebruiken, kunnen we zowel de gemiddelde trend als de individuele variabiliteit tegelijkertijd modelleren. Dit geeft een eerlijker beeld van de data en voorkomt dat we zelfverzekerde fouten maken.

Kortom: Meet niet alleen het gemiddelde, maar meet ook hoeveel het gemiddelde wobbelt, want het negeren van de wobble kan je doen geloven dat je meer weet dan je in werkelijkheid doet.

Technische Samenvatting: Het beoordelen van de impact van variantieheterogeniteit en misspecificatie in mixed-effects locatie-schaalmodellen

Probleemstelling
Lineaire Mixed Models (LMM's) zijn een standaardmethode voor het analyseren van longitudinale gegevens, waarbij de relatie tussen blootstelling en uitkomst wordt gemodelleerd terwijl individuele variabiliteit wordt gevangen via random effects. LMM's vertrouwen echter op de assumptie van homoscedasticiteit—dat de residuele variantie constant is over alle observaties en covariaten. Wanneer deze assumptie wordt geschonden (heteroscedasticiteit), kunnen standaard LMM's bevooroordeelde schattingen van de standaarddeviaties van random effects produceren en leiden tot incorrecte inferentie (Type I- en Type II-fouten) door onderschatte standaardfouten. Hoewel Mixed-Effect Location-Scale Models (MELSM's) een raamwerk bieden om zowel de locatie (gemiddelde) als de schaal (residuele standaarddeviatie) als functies van covariaten en random effects te modelleren, zijn de gevolgen van het misspecificeren van deze modellen niet volledig begrepen. Specifiek vereist de wisselwerking tussen misspecificatie in het locatie-submodel versus het schaal-submodel, en hoe dergelijke fouten voortplant naar vaste effect- en random effect-schattingen, verder onderzoek.

Methodologie
De auteurs voerden een uitgebreide simulatiestudie uit met synthetische longitudinale gegevens gegenereerd op basis van covariaten uit de Primary Biliary Cholangitis (PBC) dataset. Het datageneratieproces omvatte:

Populatie: Een synthetische populatie van $N$ individuen met baseline-covariaten (leeftijd, albumine, triglyceriden, bloedplaatjes) getrokken uit een multivariate normale verdeling.
Longitudinale structuur: Herhaalde metingen per individu met een variërend aantal contactmomenten ( $M$ ), waarbij leeftijd de primaire tijd-variërende covariaat was.
Ware Model: Een correct gespecificeerd MELSM waarbij zowel de locatie ( $y$ ) als de schaal ( $\omega$ ) als functies van specifieke covariaten en random intercepts werden gemodelleerd, met een correlatiestructuur toegestaan tussen random effects.

De studie evalueerde de robuustheid van MELSM's en LMM's onder verschillende misspecificatiescenario's, waaronder:

Negeren van heteroscedasticiteit: Het vergelijken van een standaard LMM (constante schaal) met een correct gespecificeerd MELSM.
Covariaat-misspecificatie: Het toevoegen van irrelevante covariaten, het weglaten van relevante covariaten, of het weglaten van random effects in zowel de locatie- als de schaal-submodellen.
Functionele vorm-misspecificatie: Het fitten van een lineaire trend wanneer het ware datageneratieproces een niet-lineaire transformatie (sinusoïdaal) bevatte.
Random Effect Structuur-misspecificatie: Het verwaarlozen van random slopes die aanwezig waren in het datageneratieproces.
Distributionele misspecificatie: Het aannemen van Gaussische random effects wanneer de ware distributie een Student's $t$ was.

Schattingen werden geëvalueerd over 500 repetities met behulp van Bayesiaanse inferentie (via het brms pakket in R), met de focus op bias, variantie en 95% betrouwbaarheidsinterval-dekking voor vaste effecten en de standaarddeviaties van de random effects. Een case study met echte data op de PBC-dataset werd eveneels uitgevoerd om praktische implicaties te illustreren.

Belangrijkste Resultaten
De simulatiestudie leverde verschillende cruciale bevindingen op met betrekking tot modelmisspecificatie:

Impact van het negeren van heteroscedasticiteit: Het gebruik van een standaard LMM wanneer heteroscedasticiteit aanwezig is, leidt tot een significant verlies aan dekking voor locatiecoëfficiënten (standaardfouten worden onderschat) en bevoordeelt de schattingen van de standaarddeviaties van de random effects. Hoewel de puntmetingen voor de vaste effecten in het locatiemodel gecentreerd bleven rond de waarheid, werd hun precisie aangetast.
Asymmetrie in misspecificatie (Locatie vs. Schaal):
- Schaal-misspecificatie: Fouten in het schaalmodel (bijv. het weglaten van covariaten of random effects) leiden over het algemeen niet tot bias in de vaste effect-schattingen van het locatiemodel. Ze verhogen echter de variantie van deze schattingen en kunnen de geschatte standaarddeviaties van de locatie-random effects beïnvloeden.
- Locatie-misspecificatie: Fouten in het locatiemodel (bijv. het weglaten van een relevante covariaat of het gebruiken van een lineaire vorm voor een niet-lineaire trend) beïnvloeden direct de vaste effect- en random effect-schattingen van het schaal-model. Dit gebeurt omdat onverklaarde variatie in het locatiemodel wordt geabsorbeerd in de residuele variantie, wat de schattingen van de schaal vertekent.
Niet-lineariteit: Het misspecificeren van een niet-lineaire tijdtrend als lineair in het locatiemodel beïnvloedt de locatie vaste effecten, maar heeft minimale impact op het schaal-submodel als de schaal correct gespecificeerd is.
Random Effects: Het verwaarlozen van een relevante random slope (wanneer deze aanwezig is in de data) beïnvloedt primair de dekking van de corresponderende vaste slope-schatting, wat vaak leidt tot onderdekking, maar veroorzaakt niet noodzakelijkerwijs een bias in de puntmeting van het vaste effect.
Distributionele aannames: Het aannemen van een Gaussische distributie voor random effects wanneer de ware distributie een Student's $t$ was, had geen significante impact op de schatting van de vaste effecten of de standaarddeviatie van de random effects, aangezien het Gaussische model zijn schaal aanpaste om overeen te komen met de variantie van de ware distributie.
Over-specificatie: Het opnemen van alle beschikbare covariaten (zelfs irrelevante) maakte de inferentie niet ongeldig, mits de ware covariaten waren opgenomen, hoewel het de rekentijd verhoogde.

Betekenis en Claims
Het artikel concludeert dat het modelleren van heteroscedasticiteit cruciaal is voor geldige inferentie in longitudinale studies. De auteurs stellen dat MELSM's een robuust raamwerk bieden voor het afhandelen van variantieheterogeniteit, maar dat de geldigheid van conclusies sterk afhangt van de correcte specificatie van het locatiemodel.

Kernclaims zijn onder meer:

Interafhankelijkheid: Er is een kritieke wisselwerking tussen de locatie- en schaalmodellen; misspecificatie in het locatiemodel plant bias voort naar de schattingen van de schaal, terwijl schaal-misspecificatie primair de precisie (variantie) van de locatie-schattingen beïnvloedt.
Praktische Noodzaak: Zelfs bij imperfect kennis van de schaalstructuur is het modelleren van de residuele variantie superieur aan het aannemen van homoscedasticiteit, aangezien dat laatste leidt tot onderschatte standaardfouten en incorrecte dekking waarschijnlijkheden.
Brede Implicaties: De bevindingen suggereren dat het belang van het modelleren van heteroscedasticiteit verder reikt dan standaard LMM's naar Generalized Linear Mixed Models (GLMM's) voor niet-normale uitkomsten en joint modellen met overlevingsdata, waarbij binnen-individuele variabiliteit vaak een sleutelparameter van belang is.

De auteurs merken beperkingen op, waaronder de afhankelijkheid van specifieke parameterinstellingen, de aanname van oninformatieve bezoekprocessen en de focus op de vorm van de distributie in plaats van de predictie van individuele random effects. Zij suggereren dat toekomstig werk joint modellen voor binnen-individuele variabiliteit en informatieve observatieprocessen moet verkennen.

Meer zoals dit