MerQuR+Başvuru Kitabı

56. Çapraz Rastgele Etkili Karma Model (Crossed LMM)

Analiz kimliği: crossed_lmm · Menü adı: Crossed LMM (Crossed Random Effects Mixed Model) · Panel ve EMS motoru: gui/panels/analyses/crossed_lmm.py, execute (satır 352–658), _select_error_term (327–349), _reml_extras (661–764) · KT: stats/anova_rank.py, anova_tablosu · REML motoru: stats/mixed_reml.py (Bölüm 54.5) · Çoklu karşılaştırma: stats/emm_tools.py, pairwise_ems

56.1 Ne işe yarar

Çapraz karma model, iki sınıflama faktörünün birbirinin içinde olmadığı, her düzey çiftinin birlikte gözlendiği desenleri çözümler: her ilaç her klinikte denenmiştir; her katılımcı her uyarana yanıt verir; her operatör her parçayı ölçer. Faktörlerden en az biri rastgeledir, yani düzeyleri daha büyük bir topluluktan örneklenmiştir ve sonuç o topluluğa genellenmek istenir.

Model (dengeli, hücre başına n gözlem):

y_{ijk}=\mu+A_i+B_j+(AB)_{ij}+\varepsilon_{ijk},\qquad i=1,\dots,a;\ j=1,\dots,b;\ k=1,\dots,n
  • A_i: A faktörünün i. düzeyinin etkisi; rastgele ise A_i\sim N(0,\sigma^2_A), sabit ise \sum_iA_i=0.
  • B_j: B faktörünün etkisi; rastgele ise B_j\sim N(0,\sigma^2_B).
  • (AB)_{ij}\sim N(0,\sigma^2_{AB}): etkileşim; faktörlerden biri rastgeleyse rastgeledir.
  • \varepsilon_{ijk}\sim N(0,\sigma^2_e): hücre içi hata. Bütün rastgele terimler bağımsızdır.
  • Tıp örneğinde a=5 ilaç, b=4 klinik, n=8 hasta.

Panel üç tasarımı kabul eder: ikisi rastgele (varsayılan), A sabit + B rastgele, A rastgele + B sabit. İkisi de sabitse analiz durur ve iki yönlü ANOVA önerilir (crossed_lmm.py:392–395).

Ne zaman kullanılır

  • Denek × uyaran deneyleri (dilbilim, psikoloji): hem denekler hem maddeler rastgele örneklem.
  • Genotip × çevre (G×E) denemeleri, operatör × parça ölçüm sistemi çalışmaları (gauge R&R), öğretmen × konu desenleri.
  • Bir tedavinin (sabit) etkisinin rastgele kümeler (klinikler) boyunca genellenmesi isteniyorsa (A sabit, B rastgele).
  • Genellenebilirlik kuramı (G-çalışması) katsayıları isteniyorsa.

Ne zaman kullanılmaz

  • Faktörlerden biri ötekinin içindeyse (her doktor tek klinikte): Nested LMM (Bölüm 55) ya da LMM'de iç içe ikinci gruplama (Bölüm 54).
  • İki faktör de sabitse: İki Yönlü ANOVA (Bölüm 9).
  • Ek sabit etkiler, eğimler ya da tekrarlı ölçüm yapısı gerekiyorsa: LMM panelinde "2. gruplama değişkeni = çapraz" (Bölüm 54.3).
  • Bağımlı değişken ikili ya da sayımsa: GLMM (Bölüm 58).

Sık karıştırılan analizler. İki yönlü ANOVA her iki faktörü sabit sayar ve bütün testleri \mathrm{MS}_e'ye karşı yapar; rastgele faktörlerde ana etki testleri bu yüzden çok liberal olur. ICC paneli (Bölüm 87) iki yönlü rastgele modeli tek gözlemli hücreler için ve güvenirlik amacıyla kullanır. Varyans bileşenleri paneli (Bölüm 100) yalnız rastgele faktörlü modeller içindir.

56.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Sürekli bağımlı değişken HbA1c gibi Sayısala zorlanır (crossed_lmm.py:408); sabitse hata (421–422)
Çaprazlık ve bağlantılılık A–B düzeyleri tek bağlantılı bileşen oluşturmalı Birleşim–bul (union–find) ile denetlenir; bağlantısız tasarım hata verir (crossed_lmm.py:437–451)
Rastgele etkilerin normalliği A_i, B_j, (AB)_{ij} normal Denetlenmez
Hata normalliği ve homojenliği \varepsilon normal, sabit varyans Denetlenmez (bu panelde artık tanısı yok)
Replikasyon Hücre başına n>1 n_{\min}\ge2 ya da ortalama \ge2 ise "replikasyonlu" sayılır (crossed_lmm.py:432); değilse A×B hatayla birleşir ve uyarı yazılır
Dengeli tasarım Her hücrede eşit n EMS F testleri için gerekir; değişken hücre boyutunda ve boş hücrede uyarı (crossed_lmm.py:597–610)

Eksik değer. Bağımlı değişken, A ya da B eksik olan satır çıkarılır (crossed_lmm.py:409–411). Kovaryatlar yalnız REML modelinde kullanılır; kovaryatı eksik satırlar yalnız REML modelinden ayrıca düşer ve uyarı yazılır (crossed_lmm.py:674–678).

Uç durumlar (kod satırlarıyla):

  • n<3 hata (crossed_lmm.py:412–413); faktörlerden biri tek düzeyliyse hata (423–426).
  • Aynı sütun iki rolde seçilirse hata (402–405).
  • Artık sd'si \le0 ise hata (452–455).
  • Boş hücre varsa KT stats/anova_rank ile R tanımına göre hesaplanır; III. tür tanımsızdır ve hata verilir (472–480).
  • Payda KO'su sıfır, negatif ya da sd'si \le0 ise F ve p tanımsızdır; "—" yazılır ve uyarı verilir (crossed_lmm.py:519–527).
  • REML adımı başarısız olursa EMS tablosu yine basılır, REML bölümü yerine uyarı çıkar (crossed_lmm.py:628–632).

56.3 Parametreler

Varsayılanlar crossed_lmm.py:147–310 (form, read_options) ve stats_panel.py:6722–6738 içinden okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Bağımlı değişken ilk sayısal sütun Sürekli yanıt.
Faktör A ilk kategorik sütun Birinci sınıflama faktörü.
Faktör A tipi Rastgele (popülasyondan örnek) Rastgele ya da sabit. Paydalar ve REML modeli değişir (56.5.2).
Faktör B ilk kategorik sütun İkinci sınıflama faktörü.
Faktör B tipi Rastgele Rastgele ya da sabit. İkisi sabitse hata.
SS yöntemi I. tür (sıralı) I. tür ya da III. tür (toplam-sıfır). Dengeli veride aynı; dengesizde B'nin KT'si değişebilir (56.6.1).
EMS modeli (karma tasarım) Kısıtlanmamış (varsayılan) Kısıtlanmamış ya da kısıtlı (Cornfield–Tukey). Yalnız bir faktör sabitken etkindir (crossed_lmm.py:233–237); rastgele faktörün paydasını değiştirir.
Kovaryatlar (REML modeli) boş Sayısal kovaryatlar. Yalnız REML modeline girer; EMS tablosu kovaryatsızdır.
Sabit faktör karşılaştırmaları (yok) Tukey HSD, Bonferroni, Šidák, LSD; hata terimi o faktörün F paydası. Faktörlerin ikisi rastgeleyse uyarı verir, hesaplamaz.
EMM faktörü (yok) Faktör A ya da B; REML modelinden EMM + ikili karşılaştırma. Rastgele faktör seçilirse uyarı (crossed_lmm.py:731–732).
EMM p düzeltmesi Bonferroni Bonferroni, Šidák, Holm, Tukey, yok.
Düzey sırası boş EMM listelerinin sırası.
Güven Düzeyi %95 Grup ortalaması t-GA'sı, varyans bileşeni GA'sı, EMM GA'sı. Yıldızlar seçilen düzeyin \alpha'sına göredir.

Neden "kısıtlı/kısıtlanmamış" seçimi yalnız karma tasarımda etkin?

İki faktör de rastgeleyken bütün etkiler bağımsız rastgele değişkendir; tek bir EMS kümesi vardır. Bir faktör sabit, öteki rastgeleyken etkileşim terimine bir kısıt konup konmaması (sabit faktörün düzeyleri üzerinden toplamın sıfır olması) rastgele faktörün EMS'sini değiştirir (56.5.3). Form, alanı yalnız tipler farklıyken açar (crossed_lmm.py:230–237).

56.4 Tıp örneği

  • Dosya: english/datasets/Tip/109_crossed_lmm_drug_clinical.xlsx (Türkçe kopya: samples/Tum_Analiz_Tip/109_crossed_lmm_ilac_klinik.xlsx).
  • Değişken seçimi: VIDEO_SCRIPT_TR.txt #109: bağımlı HbA1c; faktör drug; 2. faktör clinical.
Değişken Rol Tür Açıklama/özet
HbA1c Bağımlı Sürekli (%) Genel ortalama 7,5926
drug Faktör A Kategorik, 5 düzey İlaç ortalamaları: drug_1 7,6984; drug_2 7,3938; drug_3 7,6644; drug_4 8,0994; drug_5 7,1072
clinical Faktör B Kategorik, 4 düzey Klinik ortalamaları: K_A 7,5348; K_B 7,6897; K_C 7,0170; K_D 8,1290

n ve eksik değer. 160 satır, eksik yok; 5 × 4 = 20 hücrenin her birinde 8 hasta.

Klinik soru. HbA1c'nin değişkenliği ne kadarı ilaçtan, ne kadarı klinikten, ne kadarı ilaç × klinik uyumsuzluğundan geliyor? İlaçlar arasındaki fark, kliniklere genellenebilir mi?

Seçilen ayarlar. Varsayılanlar (ikisi rastgele, I. tür KT, %95). Ek senaryolar: A (drug) sabit + B rastgele, kısıtlanmamış EMS, Tukey ve EMM (A); aynı tasarım kısıtlı EMS ile; dengesiz alt örnek (drug_1 ve drug_2'nin her hücresinden birer hasta çıkarılmış, 152 gözlem; I. ve III. tür).

Şekil 56.1. İlaç × klinik hücre ortalamaları. Çizgilerin kesişmesi büyük A×B etkileşimini gösterir: hiçbir ilaç her klinikte en iyi değildir.

56.5 Formüller ve hesap adımları

MerQur iki çözümleme yapar. (A) EMS tablosu: statsmodels OLS ile I. ya da III. tür KT (crossed_lmm.py:463–480), Cornfield–Tukey kurallarına göre seçilen paydalarla F testleri (511–538), faktör düzey ortalamaları ve t-GA'ları (560–588). (B) REML çapraz model: y\sim[\text{sabit faktör}]+\text{kovaryatlar}+(1\mid A)+(1\mid B)+(1\mid A{:}B) (rastgele faktörler için); varyans bileşenleri, SH, log-Wald GA, toplam varyanstaki pay, sabit faktörün Satterthwaite testleri, EMM ve G-çalışması katsayıları (655–760).

56.5.1 Kareler toplamları

Dengeli desende:

\begin{gathered}\mathrm{KT}_A=bn\sum_i(\bar y_{i\cdot\cdot}-\bar y)^2,\qquad \mathrm{KT}_B=an\sum_j(\bar y_{\cdot j\cdot}-\bar y)^2\\[4pt] \mathrm{KT}_{AB}=n\sum_{ij}(\bar y_{ij\cdot}-\bar y_{i\cdot\cdot}-\bar y_{\cdot j\cdot}+\bar y)^2,\qquad \mathrm{KT}_e=\sum_{ijk}(y_{ijk}-\bar y_{ij\cdot})^2\end{gathered}
  • sd'ler: a-1, b-1, (a-1)(b-1), ab(n-1).

Koddaki tercih: kodlama ve KT türü

I. türde formül y ~ C(A) + C(B) + C(A):C(B) (gösterge kodu), III. türde C(A, Sum) (toplam-sıfır) kullanılır (crossed_lmm.py:463–470). III. tür KT yalnız toplam-sıfır kodlamayla R car::Anova(type = 3) + contr.sum ile aynı hipotezi sınar; gösterge kodlu III. tür, dengesiz veride ana etkiyi referans düzeyine koşullar. Replikasyon yoksa etkileşim terimi formülden çıkarılır ve hata terimi A×B'yi temsil eder (crossed_lmm.py:466–470).

56.5.2 Beklenen kareler ortalamaları: ikisi rastgele

\begin{aligned}E[\mathrm{MS}_A]&=\sigma^2_e+n\sigma^2_{AB}+bn\sigma^2_A\\ E[\mathrm{MS}_B]&=\sigma^2_e+n\sigma^2_{AB}+an\sigma^2_B\\ E[\mathrm{MS}_{AB}]&=\sigma^2_e+n\sigma^2_{AB}\\ E[\mathrm{MS}_e]&=\sigma^2_e\end{aligned}

Buradan (_select_error_term, satır 340–341):

F_A=\frac{\mathrm{MS}_A}{\mathrm{MS}_{AB}},\qquad F_B=\frac{\mathrm{MS}_B}{\mathrm{MS}_{AB}},\qquad F_{AB}=\frac{\mathrm{MS}_{AB}}{\mathrm{MS}_e}

p=1-F_{\nu_1,\nu_2}(F) (crossed_lmm.py:519–526).

Neden ilaç etkisi hataya değil etkileşime karşı sınanır?

İlaç ortalamaları dört rastgele klinik üzerinden alınır. İlaç farkı kliniğe göre değişiyorsa (\sigma^2_{AB}>0), başka dört klinikle yinelenen bir çalışma başka ilaç ortalamaları verir. Bu değişkenlik n\sigma^2_{AB} terimiyle E[\mathrm{MS}_A]'ya girer ve yalnız \mathrm{MS}_{AB} bunu içerir. \mathrm{MS}_e ile sınamak "bu dört klinikte ilaçlar farklı mı?" sorusunu cevaplar; \mathrm{MS}_{AB} ile sınamak "kliniklerin topluluğunda ilaçlar farklı mı?" sorusunu. Payda sd'si de buna göre 140 değil 12'dir.

56.5.3 Karma tasarım: kısıtlı ve kısıtlanmamış model

A sabit, B rastgele olsun. Kısıtlanmamış modelde (AB)_{ij}'ler bağımsızdır; kısıtlı modelde her j için \sum_i(AB)_{ij}=0 kısıtı konur (Cornfield & Tukey 1956). EMS'ler:

KO Kısıtlanmamış Kısıtlı
\mathrm{MS}_A \sigma^2_e+n\sigma^2_{AB}+Q_A \sigma^2_e+n\sigma^2_{AB}+Q_A
\mathrm{MS}_B \sigma^2_e+n\sigma^2_{AB}+an\sigma^2_B \sigma^2_e+an\sigma^2_B
\mathrm{MS}_{AB} \sigma^2_e+n\sigma^2_{AB} \sigma^2_e+n\sigma^2_{AB}
  • Q_A: sabit A etkilerinin karesel biçimi.
  • Kısıtlı modelde \sigma^2_{AB}'nin tanımı farklıdır (kısıtlı etkileşimin varyansı); iki modelin \sigma^2_B'leri aynı büyüklük değildir.

Sabit faktör A her iki modelde \mathrm{MS}_{AB}'ye karşı sınanır. Rastgele B kısıtlanmamış modelde \mathrm{MS}_{AB}'ye, kısıtlı modelde \mathrm{MS}_e'ye karşı sınanır (crossed_lmm.py:342–347, 512–515).

Koddaki tercih: kısıtlanmamış varsayılan

Varsayılan kısıtlanmamış modeldir (crossed_lmm.py:128–129). Kısıtlanmamış model REML/olabilirlik tabanlı karma modellerle (ör. lme4) tutarlıdır; kısıtlı model klasik ders kitaplarında (Montgomery, Kuehl) görülür. Hocking (1973) iki modelin farkını ve kısıtlı modeldeki yorum güçlüğünü tartışır. REML bölümü her iki seçimde de aynı (kısıtlanmamış) modeli kestirir.

56.5.4 Varyans bileşenleri

ANOVA (EMS) kestirimleri, ikisi rastgele:

\hat\sigma^2_e=\mathrm{MS}_e,\qquad \hat\sigma^2_{AB}=\frac{\mathrm{MS}_{AB}-\mathrm{MS}_e}{n},\qquad \hat\sigma^2_A=\frac{\mathrm{MS}_A-\mathrm{MS}_{AB}}{bn},\qquad \hat\sigma^2_B=\frac{\mathrm{MS}_B-\mathrm{MS}_{AB}}{an}

MerQur bunları basmaz; varyans bileşeni tablosu REML modelinden gelir. Dengeli desende ve kestirimler pozitifken iki yol aynıdır. REML modeli _reml_extras'ta kurulur (crossed_lmm.py:681–694): rastgele faktörler (1\mid A), (1\mid B) terimleri; replikasyon varsa (1\mid A{:}B); sabit faktör ve kovaryatlar sağ tarafta; yoksa yalnız sabit terim. Kestirim, SH (gözlenen bilgi + delta yöntemi) ve log-Wald GA Bölüm 54.5.2–54.5.4'teki gibidir.

Tablodaki "ICC/%" sütunu her bileşenin toplam varyanstaki payıdır (crossed_lmm.py:919–930):

\pi_k=\frac{\hat\sigma^2_k}{\hat\sigma^2_A+\hat\sigma^2_B+\hat\sigma^2_{AB}+\hat\sigma^2_e}
  • Rastgele faktörün payı, o faktörün aynı düzeyini paylaşan iki gözlem arasındaki korelasyondur (ör. aynı ilacı alan, farklı kliniklerdeki iki hasta).
  • Sabit faktör paya girmez (A sabitken pay yalnız B, A×B ve hata üzerinden).

Koddaki tercih: sınırdaki bileşen

Bir bileşen sıfır sınırında kestirilirse (göreli SS \theta_k<10^{-4}, lme4 isSingular ölçütü) log-Wald GA tanımsızdır ve "—" yazılır; kestirim, SH ve Wald Z değişmez (crossed_lmm.py:700–710). Bu panel mark_boundary_ci yerine \theta'ya doğrudan bakar; yalnız kesişimli terimlerde iki ölçüt eşdeğerdir.

56.5.5 Sabit faktörün REML testleri ve EMM

Bir faktör sabitken REML modeli y ~ A + (1|B) + (1|A:B) olur. Sabit etki tablosu (gösterge kodlu katsayılar) ve III. tür F her zaman Satterthwaite sd'siyle verilir (crossed_lmm.py:713–725). EMM, sabit faktörün düzey ortalamalarıdır (kovaryatlar ortalamada; 739–744). Dengeli desende:

\mathrm{SH}(\text{EMM}_i)=\sqrt{\frac{\hat\sigma^2_B+\hat\sigma^2_{AB}}{b}+\frac{\hat\sigma^2_e}{bn}},\qquad \mathrm{SH}(\text{EMM}_i-\text{EMM}_{i'})=\sqrt{\frac{2\,\mathrm{MS}_{AB}}{bn}}
  • EMM'nin varyansı klinik (\sigma^2_B) ve etkileşim bileşenlerini içerir; bu yüzden sd'si birden çok KO'ya dayanır ve Satterthwaite sd'si tamsayı değildir (Tıp örneğinde 9,18).
  • İki ilacın farkında klinik etkisi sadeleşir; varyans yalnız \mathrm{MS}_{AB}'ye bağlıdır ve sd =(a-1)(b-1)=12.

EMS hata terimiyle karşılaştırma (crossed_lmm.py:635–656): sabit faktörün gözlenen ortalamaları, o faktörün F paydasındaki KO ile karşılaştırılır (A sabit → \mathrm{MS}_{AB}, sd 12): \mathrm{SH}=\sqrt{\mathrm{MS}_{AB}(1/n_i+1/n_{i'})}; Tukey, Bonferroni, Šidák ya da LSD. İki faktör sabit olamayacağından yalnız ilk sabit faktör karşılaştırılır.

56.5.6 Genellenebilirlik (G-çalışması) katsayıları

İki faktör de rastgeleyken A "ölçme nesnesi" (ör. ilaç), B "yüzey" (ör. klinik) kabul edilerek iki katsayı hesaplanır (crossed_lmm.py:755–764):

E\rho^2=\frac{\hat\sigma^2_A}{\hat\sigma^2_A+\hat\sigma^2_{AB}/n_b+\hat\sigma^2_e/(n_bn_r)},\qquad \Phi=\frac{\hat\sigma^2_A}{\hat\sigma^2_A+\hat\sigma^2_B/n_b+\hat\sigma^2_{AB}/n_b+\hat\sigma^2_e/(n_bn_r)}
  • n_b: B'nin düzey sayısı; n_r: hücre sayılarının harmonik ortalaması.
  • E\rho^2: göreli (sıralama) genellenebilirlik katsayısı; yalnız A ile etkileşen hata kaynakları paydadadır.
  • \Phi: mutlak (bağımlılık) katsayısı; B'nin ana etkisi de hata sayılır.

G-katsayıları rolleri sabit varsayar

Kod her zaman A'yı ölçme nesnesi, B'yi yüzey sayar. Ölçme nesnesi B ise (ör. klinikler değerlendiriliyor, ilaçlar yüzey) faktörlerin yerini değiştirerek yeniden çalıştırın. Katsayılar mevcut desenin (n_b, n_r) güvenirliğidir; D-çalışması (farklı n_b ile projeksiyon) yapılmaz.

56.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/crossed_lmm/elle_hesap.py ile, MerQur çağrılmadan hesaplanmıştır; REML için dogrulama/lmm/reml_bagimsiz.py.

Adım 1 — Ortalamalar ve KT. Genel ortalama \bar y=7{,}592625. İlaç KT'si (bn=32):

\begin{gathered}\mathrm{KT}_A=32\big[(7{,}6984-7{,}5926)^2+(7{,}3938-7{,}5926)^2+(7{,}6644-7{,}5926)^2\\[4pt] +(8{,}0994-7{,}5926)^2+(7{,}1072-7{,}5926)^2\big]=17{,}546904\end{gathered}

Aynı yoldan \mathrm{KT}_B=25{,}273003 (an=40), \mathrm{KT}_{AB}=23{,}474466, \mathrm{KT}_e=21{,}068525.

Adım 2 — EMS tablosu (ikisi rastgele).

Kaynak KT sd KO Payda F p
drug (A) 17,546904 4 4,386726 MS_AB 2,2425 0,1252
clinical (B) 25,273003 3 8,424334 MS_AB 4,3065 0,0280
A × B 23,474466 12 1,956206 MS_e 12,9990 1,30·10⁻¹⁷
Hata 21,068525 140 0,150489

İlaç farkı 4 ve 12 sd ile sınanır: F=4{,}386726/1{,}956206=2{,}2425, p=0{,}125. Aynı KO \mathrm{MS}_e'ye bölünseydi F=29{,}15 çıkardı; sahte yineleme ilaç etkisini "çok anlamlı" gösterirdi.

Adım 3 — Varyans bileşenleri.

\begin{gathered}\hat\sigma^2_e=0{,}150489,\qquad \hat\sigma^2_{AB}=\frac{1{,}956206-0{,}150489}{8}=0{,}225715\\[4pt] \hat\sigma^2_A=\frac{4{,}386726-1{,}956206}{32}=0{,}075954,\qquad \hat\sigma^2_B=\frac{8{,}424334-1{,}956206}{40}=0{,}161703\end{gathered}

Bağımsız REML kestiricisi aynı değerlere yakınsar. Toplam 0,613861; paylar: ilaç %12,4, klinik %26,3, ilaç × klinik %36,8, hata %24,5. Değişkenliğin en büyük kaynağı ilaçların kliniklere göre farklı çalışmasıdır.

\mathrm{SH}(\hat\sigma^2_A)=\sqrt{\tfrac{2}{32^2}(\mathrm{MS}_A^2/4+\mathrm{MS}_{AB}^2/12)}=0{,}100095; Wald Z=0{,}759; log-Wald GA [0{,}00574;\ 1{,}0053]. Beş ilaçtan kestirilen bir varyans için GA iki büyüklük mertebesi genişliğindedir.

Adım 4 — G-çalışması. n_b=4, n_r=8:

E\rho^2=\frac{0{,}075954}{0{,}075954+0{,}225715/4+0{,}150489/32}=\frac{0{,}075954}{0{,}137086}=0{,}554063
\Phi=\frac{0{,}075954}{0{,}137086+0{,}161703/4}=\frac{0{,}075954}{0{,}177512}=0{,}427882

Dört klinikte yapılan bir karşılaştırma ilaçları göreli sırada orta düzeyde güvenilir ayırt eder.

Adım 5 — A sabit, B rastgele. Kısıtlanmamış modelde klinik \mathrm{MS}_{AB}'ye karşı: F=4{,}3065 (değişmez). Kısıtlı modelde \mathrm{MS}_e'ye karşı: F=8{,}424334/0{,}150489=55{,}980, p=7{,}7\cdot10^{-24}. Aynı veri, iki EMS modeliyle "ılımlı" ve "çok güçlü" klinik etkisi verir. Kısıtlı modelin ANOVA kestirimi \hat\sigma^2_B=(8{,}424334-0{,}150489)/40=0{,}206846; kısıtlanmamış (ve REML) 0,161703.

REML (y ~ drug + (1|clinical) + (1|drug:clinical)): varyans bileşenleri yukarıdakilerle aynıdır (klinik 0,161703; etkileşim 0,225715; hata 0,150489). drug_1 (referans) sabit terimi 7,698438:

\mathrm{SH}=\sqrt{\frac{0{,}161703+0{,}225715}{4}+\frac{0{,}150489}{32}}=0{,}318680,\qquad \nu_{\text{Satt}}=9{,}181

drug_5 − drug_1 farkı -0{,}591250, SH =\sqrt{2\cdot1{,}956206/32}=0{,}349661, sd 12, t=-1{,}691. III. tür F(4,\,12)=2{,}2425: EMS testiyle aynı. drug_4 − drug_5 farkı 0,992188: Tukey (MS_AB, sd 12) p=0{,}0899; EMM Bonferroni p=0{,}1496.

Adım 6 — Dengesiz alt örnek. drug_1 ve drug_2 hücrelerinden birer hasta çıkarılınca (n_{ij}\in\{7{,}8\}, 152 gözlem) III. tür KT'ler: A 17,776311; B 23,289316; A×B 22,103181; hata 19,796448. I. türde B'nin KT'si 21,391407'ye düşer (B, A'dan sonra girer ve dengesizlik nedeniyle A ile kısmen örtüşür). REML bileşenleri: ilaç 0,080415; klinik 0,155011; etkileşim 0,223453; hata 0,149996 (EMS \mathrm{MS}_e=0{,}149973'ten farklı: dengesiz veride REML ve ANOVA kestirimleri ayrılır). n_r=7{,}5676 (harmonik), E\rho^2=0{,}569377.

56.6.1 Doğrulama: MerQur, Python ve R

Betikler dogrulama/crossed_lmm/ klasöründedir: merqur_calistir.py, elle_hesap.py (bağımsız Python), r_dogrulama.R (R 4.5.3: lm/anova, car::Anova(type = 3) + contr.sum, lme4::lmer + lmerTest, emmeans, ptukey). R'nin varyans SH'leri lmerTest'in sayısal Hessian'ından delta yöntemiyle alınmıştır. Dengeli III. tür KT satırlarında MerQur sütunu boştur: MerQur III. türü seçilen tek senaryoda (dengesiz) hesaplar; dengeli veride I. tür tablosu verildi.

Tablo 1. EMS tablosu: KT, F, p (ikisi rastgele), kısıtlı/kısıtlanmamış klinik testi ve dengesiz alt örnek.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
KT drug (A) 17,546904 17,546904 17,546904 1,8e−14 ✓
F drug (A) (ikisi rastgele) 2,242467 2,242467 2,242467 4,0e−15 ✓
p drug (A) (ikisi rastgele) 0,125244 0,125244 0,125244 5,0e−16 ✓
KT clinical (B) 25,273003 25,273003 25,273003 3,2e−14 ✓
F clinical (B) (ikisi rastgele) 4,306467 4,306467 4,306467 2,1e−14 ✓
p clinical (B) (ikisi rastgele) 0,027990 0,027990 0,027990 4,0e−16 ✓
KT A×B 23,474466 23,474466 23,474466 4,3e−14 ✓
F A×B (ikisi rastgele) 12,998953 12,998953 12,998953 2,5e−14 ✓
p A×B (ikisi rastgele) 1,2998·10−17 1,2998·10−17 1,2998·10−17 1,1e−30 ✓
KT hata 21,068525 21,068525 21,068525 0,0e+00 ✓
III. tür KT drug (A) (dengeli) — 17,546904 17,546904 0,0e+00 ✓
III. tür KT clinical (B) (dengeli) — 25,273003 25,273003 1,1e−14 ✓
III. tür KT A×B (dengeli) — 23,474466 23,474466 2,8e−14 ✓
F clinical (A sabit, kısıtlı: payda MS_e) 55,979561 55,979561 55,979561 1,8e−13 ✓
p clinical (A sabit, kısıtlı) 7,6675·10−24 7,6675·10−24 7,6675·10−24 8,1e−37 ✓
F clinical (A sabit, kısıtlanmamış: payda MS_AB) 4,306467 4,306467 4,306467 2,1e−14 ✓
III. tür KT drug (A) (dengesiz) 17,776311 17,776311 17,776311 7,8e−14 ✓
I. tür KT drug (A) (dengesiz) 17,776311 17,776311 17,776311 6,0e−14 ✓
III. tür KT clinical (B) (dengesiz) 23,289316 23,289316 23,289316 3,8e−13 ✓
I. tür KT clinical (B) (dengesiz) 21,391407 21,391407 21,391407 1,8e−14 ✓
III. tür KT A×B (dengesiz) 22,103181 22,103181 22,103181 2,3e−13 ✓
I. tür KT A×B (dengesiz) 22,103181 22,103181 22,103181 3,6e−15 ✓
F clinical III. tür (dengesiz) 4,214654 4,214654 4,214654 2,4e−14 ✓

Tablo 2. REML: varyans bileşenleri, SH, bilgi ölçütleri, G-çalışması, A sabitken Satterthwaite katsayıları, F, EMM ve Tukey.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\sigma^2_A kestirimi 0,075954 0,075954 0,075954 3,7e−08 ✓
\sigma^2_A SH 0,100095 0,100095 0,100095 3,9e−08 ✓
\sigma^2_B kestirimi 0,161703 0,161703 0,161703 4,0e−08 ✓
\sigma^2_B SH 0,173116 0,173116 0,173116 5,6e−08 ✓
\sigma^2_{AB} kestirimi 0,225715 0,225715 0,225715 5,2e−09 ✓
\sigma^2_{AB} SH 0,099853 0,099853 0,099853 1,1e−09 ✓
\sigma^2_e kestirimi 0,150489 0,150489 0,150489 2,1e−09 ✓
\sigma^2_e SH 0,017987 0,017987 0,017987 3,1e−10 ✓
−2LL (REML) 211,516705 211,516705 211,516705 2,9e−11 ✓
AIC 221,516705 221,516705 221,516705 2,9e−11 ✓
BIC 236,892574 236,892574 236,892574 3,0e−11 ✓
G-çalışması E\rho^2 0,554063 0,554063 0,554063 1,2e−07 ✓
G-çalışması \Phi 0,427882 0,427882 0,427882 9,2e−08 ✓
Intercept b (A sabit) 7,698438 7,698438 7,698438 1,5e−13 ✓
Intercept SH 0,318680 0,318680 0,318680 7,2e−09 ✓
Intercept Satterthwaite sd 9,181022 9,181022 9,181021 1,6e−06 ✓
drug[T.drug_5] b (A sabit) −0,591250 −0,591250 −0,591250 1,6e−13 ✓
drug[T.drug_5] SH 0,349661 0,349661 0,349661 1,9e−09 ✓
drug[T.drug_5] Satterthwaite sd 12,000000 12,000000 12,000000 2,4e−07 ✓
F drug (REML) 2,242467 2,242467 2,242467 2,5e−08 ✓
Payda sd drug (REML) 12,000000 12,000000 12,000000 2,4e−07 ✓
EMM drug_4 8,099375 8,099375 8,099375 1,1e−13 ✓
EMM SH 0,318680 0,318680 0,318680 7,2e−09 ✓
Bonferroni p drug_4 − drug_5 0,149641 0,149641 0,149641 7,0e−09 ✓
Tukey p drug_2 - drug_4 (MS_AB) 0,314406 0,314406 0,314406 8,8e−12 ✓
Tukey p drug_4 - drug_5 (MS_AB) 0,089906 0,089906 0,089906 5,4e−12 ✓
\sigma^2_A (dengesiz) 0,080415 0,080415 0,080415 1,2e−08 ✓
\sigma^2_A SH (dengesiz) 0,102776 0,102776 0,102776 2,5e−09 ✓
\sigma^2_B (dengesiz) 0,155011 0,155011 0,155011 8,7e−09 ✓
\sigma^2_B SH (dengesiz) 0,167402 0,167402 0,167402 2,7e−09 ✓
\sigma^2_{AB} (dengesiz) 0,223453 0,223453 0,223453 3,2e−08 ✓
\sigma^2_{AB} SH (dengesiz) 0,099374 0,099374 0,099374 2,3e−08 ✓
\sigma^2_e (dengesiz) 0,149996 0,149996 0,149996 1,6e−09 ✓
\sigma^2_e SH (dengesiz) 0,018466 0,018466 0,018466 2,6e−10 ✓
E\rho^2 (dengesiz, harmonik n_r) 0,569377 0,569377 0,569377 6,8e−08 ✓

56.7 Çıktıyı okuma

MerQur'un sonuç metni (varsayılan ayarlar, kısaltılmış):

══ ÇAPRAZ LMM — ÇAPRAZ RASTGELE ETKİLİ KARMA MODEL ══
Bağımlı değişken : HbA1c
Faktör A         : drug (5 seviye, rastgele)
Faktör B         : clinical (4 seviye, rastgele)
Toplam gözlem    : 160
A×B hücresi      : min=8, max=8, ort=8.0

── VARYANS ANALİZİ TABLOSU ──
Kaynak                                     df            SS         MS       F         p
Faktör A — drug (rastgele)                  4        17.547     4.3867   2.242   0.1252 ns
Faktör B — clinical (rastgele)              3        25.273     8.4243   4.306   0.0280 *
A × B — drug × clinical                    12        23.474     1.9562  12.999  <0.0001 ***
Hata (e)                                  140        21.069     0.1505       —        — —

── F TESTİ HATA TERİMİ (Cornfield-Tukey EMS) ──
  Faktör A — drug (rastgele)               → hata: MS_AB
  Faktör B — clinical (rastgele)           → hata: MS_AB
  A × B — drug × clinical                  → hata: MS_e

── VARYANS BİLEŞENLERİ (REML) VE ICC ──
Bileşen                                  σ²        SE   Wald Z    ICC/%         %95 GA (log-Wald)
drug                                 0.0760    0.1001    0.759    0.124         (0.005739, 1.005)
clinical                             0.1617    0.1731    0.934    0.263          (0.01984, 1.318)
drug × clinical                      0.2257    0.0999    2.260    0.368         (0.09484, 0.5372)
Hata (e)                             0.1505    0.0180    8.367    0.245          (0.1191, 0.1902)
  -2LL (REML) = 211.517 · AIC = 221.517 · BIC = 236.893

── GENELLENEBİLİRLİK KATSAYILARI (G-çalışması) ──
  'drug' ölçme nesnesi, B'nin 4 düzeyi ve hücre başına 8.00 tekrar üzerinden: göreli Eρ² = 0.554 · mutlak Φ = 0.428
Satır/Öğe Ne yazar Nasıl yorumlanır
Künye Faktörler, tipleri, n, hücre boyutları Hücre min/max farklıysa EMS testleri yaklaşıktır.
Varyans analizi tablosu sd, KT, KO, F, p Önce A×B'ye bakın. Ana etki satırlarının payda sd'si tabloda yazmaz; hata terimi bölümünden okuyun.
F testi hata terimi Her satırın paydası Karma tasarımda EMS modeline göre değişir; açıklama satırı eklenir.
Grup ortalamaları A ve B düzey ortalamaları, SS, SH, t-GA Hücre içi SS'ye dayanır; rastgele faktör değişkenliğini içermez (betimsel).
Varyans bileşenleri σ², SH, Wald Z, ICC/%, log-Wald GA ICC/% toplam varyanstaki paydır. Az düzeyli faktörde GA çok geniştir.
REML sabit etkiler Katsayılar, Satterthwaite sd, III. tür F Yalnız bir faktör sabitken.
EMM Sabit faktör EMM'leri, Bonferroni'li farklar Satterthwaite sd'li.
Çoklu karşılaştırma Δ, SH, t, Tukey p, harfler Hata terimi sabit faktörün paydası (MS_AB).
G-çalışması E\rho^2, \Phi Yalnız ikisi rastgeleyken; A ölçme nesnesidir.
Uyarılar Replikasyon yok, boş hücre, değişken hücre boyutu, dengesizlik crossed_lmm.py:594–610, 655–656.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

HbA1c, ilaç (5 düzey) ve klinik (4 düzey) faktörlerinin ikisinin de rastgele alındığı çapraz karma modelle incelendi (N=160; her hücrede 8 hasta; hata terimleri kısıtlanmamış EMS modeline göre). İlaç × klinik etkileşimi anlamlıydı, F(12,\ 140)=13{,}00, p<0{,}001; klinik etkisi anlamlı, F(3,\ 12)=4{,}31, p=0{,}028; ilaç etkisi anlamsızdı, F(4,\ 12)=2{,}24, p=0{,}13. REML varyans bileşenleri: ilaç \hat\sigma^2=0{,}076 (toplam varyansın %12,4'ü; %95 GA [0,006; 1,005]), klinik 0,162 (%26,3), ilaç × klinik 0,226 (%36,8), hata 0,150 (%24,5). Dört klinik üzerinden ilaçlar için genellenebilirlik katsayısı E\rho^2=0{,}55, mutlak katsayı \Phi=0{,}43 bulundu.

56.8 Uzman soruları

S1. Dengeli veride EMS ve REML aynı varyans bileşenlerini veriyor; neden iki tablo var?

Dengeli desende ve bütün ANOVA kestirimleri pozitifken REML = ANOVA'dır. Dengesiz desende EMS katsayıları hücre sayılarına bağlıdır ve MerQur'un EMS tablosu dengeli katsayıları kullanır (yaklaşık); REML ise dengesizliği doğrudan modelleyerek tutarlı kestirim verir. Bir ANOVA kestirimi negatifse REML onu sıfıra çeker ve öteki bileşenler de değişir. İki tablo bu durumları ayırt etmeye yarar.

S2. Kısıtlı model ders kitabında; MerQur neden kısıtlanmamışı varsayılan yaptı?

Kısıtlanmamış model, REML/olabilirlik tabanlı karma modellerin (ör. lme4) EMS'sidir; dengesiz veriye genellenir. Kısıtlı model dengeli desende cebirsel olarak çekicidir ama sabit faktör düzeyleri üzerinden toplamı sıfır olan etkileşimin varyansı başka bir parametredir; iki modelin \sigma^2_B'si aynı şey değildir (Hocking 1973). Tıp örneğinde klinik F'si 4,31 (kısıtlanmamış) ve 55,98 (kısıtlı); hangi modelin seçildiği raporda açıkça yazılmalıdır.

S3. A×B anlamsızsa paydayı \mathrm{MS}_e'ye çevirmek (havuzlama) gerekir mi?

MerQur havuzlama yapmaz. Etkileşim anlamsız olsa da \sigma^2_{AB}>0 olabilir; havuzlama ön testin I. tip hata özelliklerini bozar. REML yolu doğal bir alternatif sunar: \hat\sigma^2_{AB} sıfır sınırına düşerse Satterthwaite sd'si iki kaynağı kendiliğinden birleştirir (Bölüm 55.6, Adım 8).

S4. Hücre başına tek gözlem varsa ne olur?

Etkileşim ile hata ayrılamaz. MerQur etkileşim terimini formülden çıkarır, ana etkileri artık KO'ya (gerçekte \mathrm{MS}_{AB}) karşı sınar, uyarı yazar (crossed_lmm.py:335–337, 599–600) ve REML modeline (1\mid A{:}B) eklemez. Bu durumda \hat\sigma^2_e etkileşimle hatanın toplamıdır.

S5. "Replikasyonlu" tanımı nasıl; bazı hücrelerde tek gözlem olursa?

has_replication = cell_min >= 2 or cell_mean >= 2.0 (crossed_lmm.py:432). Bazı hücreler tek gözlemli olsa da ortalama 2'yi aşıyorsa etkileşim modele girer; tek gözlemli hücreler etkileşim KO'suna katkı verir ama hata sd'sine vermez. cell_min == 1 ve cell_max > 5 ise uyarı yazılır (599–604). Ağır dengesizlikte REML tablosunu esas alın.

S6. Bu panel ile LMM panelindeki "çapraz ikinci gruplama" aynı mı?

REML kısmı aynı motoru kullanır. Fark: LMM panelinde ilaç ve klinik iki rastgele kesişimdir ve etkileşim terimi yoktur; (1\mid A{:}B) eklenmez. Bu veride etkileşim en büyük bileşen olduğundan LMM'nin çapraz modeli \sigma^2_e'yi etkileşimle şişirir. Crossed LMM ayrıca EMS tablosu ve G-katsayılarını verir.

S7. Satterthwaite sd'si 9,18 nereden geliyor; R aynı değeri verir mi?

EMM'nin varyansı (\sigma^2_B+\sigma^2_{AB})/b+\sigma^2_e/(bn)=[\mathrm{MS}_B+(a-1)\mathrm{MS}_{AB}]/(abn) biçiminde iki KO'nun doğrusal birleşimidir; Satterthwaite formülü \nu=[\mathrm{MS}_B+4\mathrm{MS}_{AB}]^2/[\mathrm{MS}_B^2/3+(4\mathrm{MS}_{AB})^2/12]=9{,}181 verir. lmerTest 9,18102 bulur (56.6.1, Tablo 2). Containment yöntemi ise 3 ya da 12 gibi tamsayı sd'ler kullanır.

S8. G-çalışmasında n_r neden harmonik ortalama?

Dengesiz desende hücre ortalamasının hata varyansı \sigma^2_e/n_{ij}'dir; ortalama hata varyansı \sigma^2_e\cdot\overline{1/n_{ij}}=\sigma^2_e/n_h olduğundan doğru özet harmonik ortalamadır (crossed_lmm.py:760–761). Dengeli desende n_h=n.

56.9 Sık hatalar ve tuzaklar

  • Rastgele faktörü sabit sanmak. İki faktör de sabit seçilemez; ama rastgele bir faktörü (klinikler) sabit almak ana etki testlerini \mathrm{MS}_e'ye taşır ve sahte yineleme yaratır. Faktörün düzeyleri bir topluluktan örneklenmişse ve sonuç o topluluğa genellenecekse rastgele seçin.
  • Kısıtlı/kısıtlanmamış seçimini raporlamamak. Karma tasarımda rastgele faktörün F'si iki modelde çok farklıdır (4,31 ve 55,98).
  • Grup ortalaması GA'sını çıkarım için kullanmak. Tablo, hücre içi SS'ye dayanan betimsel t-GA'dır (crossed_lmm.py:572–588); rastgele faktör değişkenliğini içermez.
  • Kovaryatın EMS tablosunu düzelteceğini sanmak. Kovaryatlar yalnız REML modeline girer.
  • Az düzeyli rastgele faktör. Beş ilaç, dört klinik ile varyans bileşenleri çok belirsizdir (GA'nın üst ucu alt ucunun yaklaşık 175 katı). Varyans bileşeni yorumunu GA ile birlikte verin; Wald Z'ye dayanmayın.
  • G-katsayılarında rol. A her zaman ölçme nesnesidir; faktör sırasını buna göre seçin.
  • Yalnız ilk sabit faktör karşılaştırılır. "Sabit faktör karşılaştırmaları" A ve B'den yalnız ilk sabit olanı işler (crossed_lmm.py:636–645).

56.10 Kaynaklar

  • Cornfield, J., & Tukey, J. W. (1956). Average values of mean squares in factorials. The Annals of Mathematical Statistics, 27(4), 907–949. https://doi.org/10.1214/aoms/1177728067
  • Hocking, R. R. (1973). A discussion of the two-way mixed model. The American Statistician, 27(4), 148–152. https://doi.org/10.1080/00031305.1973.10479018
  • Baayen, R. H., Davidson, D. J., & Bates, D. M. (2008). Mixed-effects modeling with crossed random effects for subjects and items. Journal of Memory and Language, 59(4), 390–412. https://doi.org/10.1016/j.jml.2007.12.005
  • Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110–114. https://doi.org/10.2307/3002019
  • Searle, S. R., Casella, G., & McCulloch, C. E. (1992). Variance components. Wiley. https://doi.org/10.1002/9780470316856
  • Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  • Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13
  • Brennan, R. L. (2001). Generalizability theory. Springer.