Saya mencoba memperluas pengetahuan saya tentang statistik. Saya berasal dari latar belakang ilmu fisika dengan pendekatan "berbasis resep" untuk pengujian statistik, di mana kami katakan itu berkelanjutan, apakah biasanya terdistribusi - regresi OLS .
Dalam bacaan saya, saya menemukan istilah: model efek acak, model efek tetap, model marginal. Pertanyaan saya adalah:
- Dalam istilah yang sangat sederhana, apakah itu?
- Apa perbedaan di antara mereka?
- Apakah ada yang sinonim?
- Di mana tes tradisional seperti regresi OLS, ANOVA dan ANCOVA termasuk dalam klasifikasi ini?
Hanya mencoba memutuskan ke mana harus pergi selanjutnya dengan belajar mandiri.
Jawaban:
Pertanyaan ini sebagian telah dibahas di situs ini seperti di bawah ini, dan pendapat tampaknya beragam.
Semua istilah umumnya terkait dengan data longitudinal / panel / clustered / hierarkis dan tindakan berulang (dalam format regresi maju dan ANOVA), tetapi memiliki banyak makna dalam konteks yang berbeda. Saya ingin menjawab pertanyaan dalam rumus berdasarkan pengetahuan saya.
Model efek tetap
Model efek-acak
Model marjinal
Model marginal umumnya dibandingkan dengan model kondisional (model efek-acak), dan yang pertama berfokus pada mean populasi (ambil model linier sebagai contoh) sedangkan yang terakhir berkaitan dengan rata-rata bersyaratInterpretasi dan skala koefisien regresi antara model marginal dan model efek-acak akan berbeda untuk model nonlinier (misalnya regresi logistik). Biarkan , lalu
sumber
Koreksi saya jika saya salah di sini:
Secara konseptual, ada empat kemungkinan efek: Fixed intercept, koefisien tetap, intercept acak, koefisien acak. Kebanyakan model regresi adalah 'efek acak', sehingga mereka memiliki intersep acak dan koefisien acak. Istilah 'efek acak' mulai digunakan berbeda dengan 'efek tetap'.
'Fixed effect' adalah ketika variabel mempengaruhi sebagian sampel, tetapi tidak semua. Versi paling sederhana dari model efek tetap (secara konseptual) akan menjadi variabel dummy, untuk efek tetap dengan nilai biner. Model-model ini memiliki intersep acak tunggal, koefisien efek tetap, dan koefisien variabel acak.
Tingkat komplikasi berikutnya (secara konseptual) adalah ketika efek tetap bukan biner, tetapi nominal, dengan banyak nilai. Dalam hal ini, apa yang dihasilkan adalah model dengan banyak intersep (satu untuk setiap nilai nominal). Di sinilah Anda mendapatkan 'garis berganda' klasik dari model data panel , di mana masing-masing 'opsi' dari variabel efek tetap mendapatkan efeknya sendiri. Keutamaan melemparkan semua seri data faktor-spesifik yang berbeda ke dalam regresi tunggal (daripada melakukan setiap faktor dari efek tetap sebagai regresi sendiri) adalah bahwa Anda bisa menyatukan varians dari semua efek yang berbeda dalam satu persamaan, dan sebagainya dapatkan nilai yang lebih baik (lebih pasti) untuk semua koefisien Anda.
'Tingkat tiga' dari komplikasi akan terjadi ketika 'efek tetap' itu sendiri merupakan variabel acak, kecuali bahwa efeknya 'tetap' hanya mempengaruhi sub-set sampel. Pada titik mana model akan memiliki intersep acak, beberapa intersep tetap, dan beberapa variabel acak. Saya pikir ini yang dikenal sebagai model 'efek campuran'?
Model 'Efek Campuran' digunakan untuk pemodelan multi-level (MLM), karena 'efek tetap' dapat digunakan untuk mengumpulkan satu subset data di dalam yang lain. Pengelompokan ini dapat memiliki beberapa tingkatan, dengan siswa bersarang di dalam ruang kelas, bersarang di dalam sekolah. Sekolah adalah efek tetap pada ruang kelas, dan ruang kelas pada siswa. (Sekolah mungkin atau mungkin tidak memberi efek pada siswa, tergantung pada desain eksperimental - tidak yakin)
Model data panel adalah model 'efek campuran', tetapi menggunakan dua dimensi untuk pengelompokan, biasanya waktu dan semacam kategori.
sumber