Assessing the impact of variance heterogeneity and misspecification in mixed-effects location-scale models
本文通过一项模拟研究表明，忽略标准线性混合模型中的方差异质性会导致估计偏差和覆盖率低下，同时指出在混合效应位置-尺度模型中，尺度成分的误设不会导致位置估计产生偏差，但位置成分的误设会影响尺度估计。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一位试图了解学生如何随着时间学习新学科的老师。你有一个 300 人的班级，每隔几周会对他们进行一次测试。
旧方法（线性混合模型）：
传统上，统计学家使用一种名为“线性混合模型”（LMM）的工具。你可以把它想象成在全班平均考试成绩中画出一条单一的直线，以观察总体的趋势。它假设虽然每个学生的起点不同（有些天生聪明，有些则需要更多帮助），但每个人得分中的“噪声”或不可预测性是相同的。
它假设每个人的“波动”是恒定的。如果你使用这个观点，如果学生 A 的分数波动剧烈，而学生 B 的分数非常稳定，该模型仍会将他们视为同样稳定。它假设数据的“摇摆”是恒定的。论文称这种假设为同方差性（一个表示“相等分布”的专业术语）。
问题所在：
在现实生活中，这个假设通常是错误的。有些学生可能非常稳定，而有些学生则会有巨大的起伏。如果你忽略这种差异（如果你忽略了异方差性），你的数学计算就会变得混乱。你可能会认为你对结论非常有把握，但实际上你并没有；或者你会错过重要的模式。
新工具（MELSM）：
作者们正在测试一种更灵活的新工具，叫做混合效应位置-尺度模型（MELSM）。
- 位置（Location）： 这是“平均值”线（趋势）。
- 尺度（Scale）： 这是围绕那条线的“波动”或变异性。
MELSM 不仅仅是画出一条平均线；它还绘制出另一条线来预测每个学生的得分会产生多少波动。它会问：“学生 A 的波动是否取决于他们的学习量？学生 B 的波动是否取决于他们的年龄？”
论文的研究发现（实验）：
作者运行了数千次计算机模拟（就像是在规则不同的情况下运行电子游戏），以观察使用旧工具与新工具的结果有何不同，以及当他们在设置模型时犯错时会发生什么。
以下是简单的核心结论：
忽略波动是危险的：
如果当数据实际上存在不同程度的波动时，你仍使用旧工具（LMM），那么你对结果的信心是虚假的。你可能认为自己对某个答案有 95% 的把握，但实际上你的把握要小得多。你结果中的“误差棒”会变得过小，从而导致错误的结论。“平均值”与“波动”之间的关系：
- 如果你弄错了“波动”： 如果你搞错了关于变异性（尺度）的模型，对于平均趋势（位置）的估计基本保持正确，但会变得“模糊”（不够精确）。这就像是在风很大的情况下试图瞄准靶心投掷飞镖：你仍然能击中大致区域，但你不确定具体位置。
- 如果你弄错了“平均值”： 如果你搞错了关于平均趋势（位置）的模型，它会完全破坏对波动的估计。如果你没有正确处理主要趋势，残留的“噪声”看起来就会呈现出一种并不存在的模式。
添加额外的变量：
如果你在模型中加入了实际上并不重要的额外变量（比如在数学测试模型中加入“最喜欢的颜色”），这并不会破坏数学逻辑。它只会让计算机运行得稍微慢一点。该模型足够健壮，可以忽略这些无用的信息。缺失“斜率”：
有时，学生的表现不仅仅是起点不同，其变化速度也会随时间改变（即斜率）。如果你在模型中忘记包含这种“速度变化”，即使平均值看起来没问题，你的结果信心也会再次下降。现实世界测试（PBC 数据集）：
作者在关于肝脏疾病的一个真实医学数据集上测试了这一点。他们将旧工具与新工具进行了对比。- 结果： 旧工具和新工具在主要因素（如年龄或性别）上给出了相似的答案。
- 关键点在于： 旧工具显示的疾病进展曲线比新工具显示的更陡峭。这证明了忽略“波动”会改变我们对疾病进展过程的理解。
底线结论：
论文认为，我们应该停止假设每个人的数据都具有相同的“噪声”。通过使用 MELSM，我们可以同时对平均趋势和个体变异性进行建模。这能为我们提供一个更诚实的图景，防止我们做出自信的错误。
简而言之： 不要只测量平均值；还要测量平均值波动的程度，因为忽略波动会让你误以为自己比实际掌握的要多。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。