พิจารณาการทดสอบกับผู้เข้าร่วมหลายคนแต่ละคนวัดหลายครั้งในสองเงื่อนไข รูปแบบเอฟเฟกต์แบบผสมสามารถกำหนดได้ (ใช้ไวยากรณ์lme4 ) เป็น:
fit = lmer(
formula = measure ~ (1|participant) + condition
)
ตอนนี้บอกว่าฉันต้องการสร้างช่วงความมั่นใจบูตสแตรปสำหรับการคาดการณ์ของรุ่นนี้ ฉันคิดว่าฉันคิดวิธีที่ง่ายและมีประสิทธิภาพในการคำนวณและฉันแน่ใจว่าฉันไม่ใช่คนแรกที่คิด แต่ฉันมีปัญหาในการค้นหาสิ่งพิมพ์ก่อนหน้าใด ๆ ที่อธิบายวิธีการนี้ นี่มันคือ:
- พอดีกับรุ่น (ตามด้านบน) เรียกสิ่งนี้ว่า "แบบจำลองดั้งเดิม"
- รับการทำนายจากแบบจำลองต้นฉบับเรียกว่า "การคาดการณ์ดั้งเดิม" เหล่านี้
- รับส่วนที่เหลือจากรูปแบบดั้งเดิมที่เชื่อมโยงกับการตอบสนองแต่ละครั้งจากผู้เข้าร่วมแต่ละคน
- resample the residual, สุ่มตัวอย่างผู้เข้าร่วมที่มีการแทนที่
- พอดีกับโมเดลเอฟเฟกต์แบบเชิงเส้นที่มีข้อผิดพลาดแบบเกาส์กับส่วนที่เหลือเรียกสิ่งนี้ว่า "โมเดลชั่วคราว"
- คำนวณการทำนายจากตัวแบบชั่วคราวสำหรับแต่ละเงื่อนไข (การคาดการณ์เหล่านี้จะใกล้เคียงกับศูนย์มาก) เรียกสิ่งเหล่านี้ว่า "การทำนายระหว่างกาล"
- เพิ่มการคาดการณ์ระหว่างกาลลงในการคาดการณ์ดั้งเดิมเรียกผลการค้นหา "resample ทำนาย"
- ทำซ้ำขั้นตอนที่ 4 ถึง 7 หลาย ๆ ครั้งสร้างการกระจายการคาดการณ์ตัวอย่างสำหรับแต่ละเงื่อนไขซึ่งครั้งหนึ่งสามารถคำนวณ CIs ได้
ฉันเคยเห็น"ขั้นตอนการตกค้างส่วนที่เหลือ"ในบริบทของการถดถอยแบบง่าย ๆ (เช่นไม่ใช่แบบผสม) ที่มีการสุ่มตัวอย่างส่วนที่เหลือเป็นหน่วยของการ resampling แล้วเพิ่มการคาดการณ์ของรูปแบบเดิมก่อนที่จะติดตั้งรุ่นใหม่ในแต่ละรอบ bootstrap แต่ดูเหมือนว่าจะค่อนข้างแตกต่างจากวิธีการที่ฉันอธิบายว่าที่เหลือไม่ถูก resampled ผู้คนและหลังจากโมเดลระหว่างกาลนั้นได้รับการทำนายแบบดั้งเดิม คุณลักษณะสุดท้ายนี้มีประโยชน์ด้านดีมากโดยไม่ว่าความซับซ้อนของแบบจำลองดั้งเดิมจะเป็นแบบจำลองแบบผสมระหว่างเกาส์ซึ่งสามารถทำได้เร็วกว่าในบางกรณี ตัวอย่างเช่นเมื่อเร็ว ๆ นี้ฉันมีข้อมูลทวินามและตัวแปรทำนาย 3 ตัวซึ่งหนึ่งในนั้นฉันสงสัยว่าจะทำให้เกิดผลกระทบที่ไม่ใช่เชิงเส้นอย่างรุนแรงดังนั้นฉันจึงต้องใช้Generalized Additive Mixed Modelingโดยใช้ฟังก์ชันลิงค์ทวินาม การติดตั้งแบบจำลองดั้งเดิมในกรณีนี้ใช้เวลามากกว่าหนึ่งชั่วโมงในขณะที่การปรับแบบเกาส์ LMM ในการทำซ้ำแต่ละครั้งใช้เวลาเพียงไม่กี่วินาที
ฉันไม่ต้องการอ้างสิทธิ์ในลำดับความสำคัญนี้หากเป็นกระบวนการที่ทราบแล้วดังนั้นฉันจะขอบคุณมากหากใครสามารถให้ข้อมูลเกี่ยวกับสถานที่ซึ่งอาจอธิบายไว้ก่อนหน้านี้ (นอกจากนี้หากมีปัญหาใด ๆ ที่จ้องมองด้วยวิธีนี้โปรดแจ้งให้เราทราบ!)