ในแง่ของการตีความสัมประสิทธิ์มีความแตกต่างในกรณีไบนารี (ในหมู่อื่น ๆ ) สิ่งที่แตกต่างระหว่าง GEE และ GLMM คือเป้าหมายของการอนุมาน: ค่าเฉลี่ยประชากรหรือเฉพาะเรื่องเรื่องที่เฉพาะเจาะจง
ลองพิจารณาตัวอย่างง่ายๆที่เกี่ยวข้องกับคุณ คุณต้องการสร้างแบบจำลองอัตราความล้มเหลวระหว่างเด็กชายกับเด็กหญิงในโรงเรียน เช่นเดียวกับโรงเรียน (ประถมศึกษา) ส่วนใหญ่ประชากรของนักเรียนแบ่งออกเป็นห้องเรียน คุณสังเกตการตอบสนองไบนารีจากn ฉันเด็ก ๆ ในNห้องเรียน (เช่นΣ N ฉัน= 1 n ฉันตอบสนองไบนารีคลัสเตอร์โดยสอนในชั้นเรียน) ที่Y ฉันJ = 1ถ้านักเรียนJจากห้องเรียนฉันผ่านไปและY ฉันJ = 0ถ้าเขา / เธอล้มเหลว และYniN∑Ni=1niYij=1jiYij=0เป็นผู้ชายและ 0 เป็นอย่างอื่นถ้านักเรียนjจากห้องเรียนixij=1ji
ในการนำคำศัพท์ที่ฉันใช้ในย่อหน้าแรกคุณสามารถคิดว่าโรงเรียนเป็นประชากรและห้องเรียนเป็นวิชาอาสาสมัคร
ก่อนอื่นให้พิจารณา GLMM GLMM เหมาะสมกับโมเดลเอฟเฟ็กต์แบบผสม เงื่อนไขของแบบจำลองบนเมทริกซ์การออกแบบแบบคงที่ (ซึ่งในกรณีนี้ประกอบด้วยการสกัดกั้นและตัวบ่งชี้สำหรับเพศ) และผลกระทบแบบสุ่มใด ๆ ในห้องเรียนที่เรารวมไว้ในแบบจำลอง ในตัวอย่างของเราให้รวมถึงการสกัดกั้นแบบสุ่มซึ่งจะนำความแตกต่างพื้นฐานในอัตราความล้มเหลวระหว่างห้องเรียนมาพิจารณา ดังนั้นเรากำลังสร้างแบบจำลองbi
log(P(Yij=1)P(Yij=0)∣xij,bi)=β0+β1xij+bi
อัตราต่อรองของความเสี่ยงของความล้มเหลวในโมเดลด้านบนแตกต่างกันไปตามค่าของซึ่งแตกต่างกันในห้องเรียน ดังนั้นการประมาณการเป็นเรื่องเฉพาะbiเรื่องเฉพาะ
ในทางกลับกัน GEE เป็นแบบจำลองที่เหมาะสม เหล่านี้รูปแบบของประชากรเฉลี่ย คุณกำลังสร้างแบบจำลองความคาดหวังตามเงื่อนไขเฉพาะในเมทริกซ์การออกแบบคงที่ของคุณ
log(P(Yij=1)P(Yij=0)∣xij)=β0+β1xij
ตรงกันข้ามกับโมเดลเอฟเฟกต์ผสมตามที่อธิบายไว้ข้างต้นว่าเงื่อนไขใดในเมทริกซ์การออกแบบคงที่และเอฟเฟกต์แบบสุ่ม ดังนั้นด้วยโมเดลส่วนบนด้านบนที่คุณพูดว่า "ลืมความแตกต่างระหว่างห้องเรียนฉันแค่ต้องการอัตราความล้มเหลวของประชากร (โรงเรียน - ฉลาด) และความสัมพันธ์กับเพศ" คุณพอดีกับแบบจำลองและรับอัตราต่อรองที่เป็นอัตราต่อรองของประชากรโดยเฉลี่ยของความล้มเหลวที่เกี่ยวข้องกับเพศ
ดังนั้นคุณอาจพบว่าการประมาณการของคุณจากแบบจำลอง GEE ของคุณอาจแตกต่างจากการประมาณการของคุณจากแบบจำลอง GLMM ของคุณและนั่นเป็นเพราะพวกเขาไม่ได้ประมาณสิ่งเดียวกัน
(เท่าที่แปลงจากอัตราการบันทึกอัตราต่อรองเป็นอัตราต่อรองโดยการแจกแจงใช่คุณทำไม่ว่าจะเป็นระดับประชากรหรือประมาณการเฉพาะเรื่องของมัน)
หมายเหตุ / วรรณคดีบางส่วน:
สำหรับกรณีเชิงเส้นการประมาณค่าเฉลี่ยประชากรและเรื่องเฉพาะจะเหมือนกัน
Zeger และคณะ 1988แสดงให้เห็นว่าสำหรับการถดถอยโลจิสติก
βM≈ [ ( 16 3√15 π)2V+ 1 ]- 1 / 2βอาร์อี
βMβอาร์อีV
Molenberghs, Verbeke 2005มีบททั้งหมดเกี่ยวกับแบบจำลองขอบและแบบสุ่ม
ฉันเรียนรู้เกี่ยวกับสิ่งนี้และเนื้อหาที่เกี่ยวข้องในหลักสูตรโดยอ้างอิงจากDiggle, Heagerty, Liang, Zeger 2002ซึ่งเป็นข้อมูลอ้างอิงที่ดีมาก