100. Varyans Bileşenleri Analizi (VARCOMP)
Analiz kimliği: varcomp · Menü adı: VARCOMP (Varyans Bileşenleri Analizi) · Panel: gui/panels/analyses/varcomp.py (form 95–257, read_options 260–273, execute 278–548, motor bağlantısı 553–592, moment yolu 595–663, sabit etkili yol 666–711, metin 744–923, tablo 928–955, grafik 964–1004) · Motorlar: stats/mixed_reml.py (LMMEngine 101–792; covparm_table 573–625; lrt_random 1476–1501) ve stats/varcomp_moments.py (anova_type1 46–84, minque 87–105); çağıran stats_panel.py:6268–6300
100.1 Ne işe yarar
Varyans bileşenleri analizi, sürekli bir ölçümün toplam değişkenliğini rastgele faktörlere paylaştırır: "Tedavi yanıtındaki farklılığın ne kadarı klinikler arasından, ne kadarı aynı klinikteki doktorlar arasından, ne kadarı hastadan hastaya geliyor?" Her faktörün düzeyleri, daha büyük bir düzey evreninden rastgele seçilmiş sayılır; ilgi tek tek kliniklerin ortalaması değil, kliniklerin ne kadar değiştiğidir.
- i: klinik (a düzey), j: klinik içindeki doktor (b düzey), k: doktorun hastası (n hasta). Bu örnek iç içe (hiyerarşik) yapıdır: bir doktor yalnız bir klinikte çalışır.
- \mu: genel ortalama (tek sabit etki); a_i, b_{ij}: rastgele etkiler; e_{ijk}: artık.
- \sigma_a^2,\sigma_b^2,\sigma_e^2: varyans bileşenleri; toplamları ölçümün toplam varyansıdır.
- Genel biçim: \mathbf y=\mathbf X\boldsymbol\beta+\sum_r\mathbf Z_r\mathbf u_r+\mathbf e, \operatorname{Var}(\mathbf y)=\mathbf V=\sum_r\sigma_r^2\mathbf Z_r\mathbf Z_r^{\top}+\sigma_e^2\mathbf I. \mathbf Z_r: r. faktörün gösterge matrisi.
Neden "rastgele" faktör?
Klinik sabit faktör sayılsaydı, model "bu dört kliniğin ortalaması farklı mı?" sorusunu cevaplardı. Rastgele sayıldığında soru "klinik evreninde ortalamalar ne kadar dağılıyor?" olur ve sonuç dört klinikten ötesine genellenir. Aynı kliniğin iki hastası ortak a_i'yi paylaştığı için ilişkilidir; bu ilişkinin gücü \sigma_a^2'nin toplam içindeki payıdır (sınıf içi korelasyon).
Ne zaman kullanılır?
- Ölçüm güvenirliği ve değişkenlik kaynakları (cihaz, operatör, gün, laboratuvar).
- Çok merkezli çalışmalarda merkez ve hekim düzeyindeki değişkenliğin büyüklüğü; örneklem planlaması (kaç merkez, merkez başına kaç hasta).
- Nicel genetikte baba/aile varyansı; tarımda yer, yıl, blok varyansları.
- Hiyerarşik (iç içe) ya da çapraz rastgele faktörler; isteğe bağlı sabit faktör ya da kovaryat.
Ne zaman kullanılmaz?
- Asıl ilgi sabit etkilerin testi ve rastgele eğimlerse: LMM (Bölüm 54), çok düzeyli yapıda İç İçe LMM (55), çapraz yapıda Çapraz LMM (56).
- Yanıt ikili ya da sayımsa: GLMM (Bölüm 58); varyans bileşeni gizil ölçekte kestirilir.
- Amaç ölçüm uyumunun tek bir katsayısıysa (puanlayıcı × denek): ICC (Bölüm 87) iki yönlü modelleri ve GA'larını doğrudan verir.
- Faktör düzeyleri ilgi evreninin tamamıysa (ör. iki ilaç): o faktör sabit etkidir; ANOVA ya da ANCOVA.
Sık karıştırılan analizler. Rastgele etkili tek yönlü ANOVA'nın F testi H_0:\sigma_a^2=0'ı sınar, ama bileşenin büyüklüğünü vermez; VARCOMP büyüklüğü verir. LMM aynı motoru kullanır (bu bölümün REML/ML yolu stats/mixed_reml'dir, bkz. 54.5), ancak çıktısı sabit etkilere odaklıdır; VARCOMP aynı uyumu yüzde paylar, ICC ve bileşenlerin asimptotik kovaryansıyla raporlar. ICC analizi (Bölüm 87) iki faktörlü puanlayıcı tasarımlarına özgü katsayılar (ICC(2,1) vb.) üretir.
100.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Sürekli yanıt | Ölçüm sayısal ve yaklaşık sürekli. | Sayısala çevrilemeyen değerler silinir; sabit yanıt hata (varcomp.py:373–378). |
| Normal rastgele etkiler ve artık | a_i,b_{ij},e_{ijk} normal, ortalama 0. | Denetlenmez. |
| Sabit artık varyansı | Tüm hücrelerde aynı \sigma_e^2. | Denetlenmez. |
| Rastgele etkiler ve artık bağımsız | Bileşenler arası kovaryans yok. | Varsayılır (VC yapısı). |
| Yeterli düzey | Her rastgele faktörün en az 2 düzeyi, gözlem sayısından az düzeyi. | REML/ML'de 1 düzey ya da \ge N düzey hata (434–445); 5'ten az düzeyde not (497–502). |
| Kestirilebilir artık | N > terim sayısı + 1. | Aksi halde hata (364–368); moment yolunda artık sd ≤ 0 hata (622–627). |
Eksik değer. Yanıt, tüm rastgele faktörler ve sabit sütunlarda liste bazında silme (varcomp.py:358–361). Dengesiz kalan veride REML/ML geçerlidir; ANOVA (Tip I) kestirimi terim sırasına bağımlı hale gelir.
Faktörlerin türü. Rastgele faktörler metne çevrilir (385–386); sayısal kodlu grup kimlikleri (1, 2, 3 …) de grup sayılır. İç içe işaretli bir faktörün düzeyleri, üstündeki tüm faktörlerin etiketleriyle birleştirilir (interaction_labels, mixed_reml.py:90–96): clinical_A:Kli_Dr01. Bu yüzden doktor kodları her klinikte yeniden 1'den başlıyorsa bile iç içe kutusu doğru grupları kurar.
Uç durumlar.
- Tek düzeyli rastgele faktör kesişimle, gözlem sayısı kadar düzeyli faktör artıkla karışır: REML/ML yolunda hata (434–445). Moment yolu bu durumda kendi koruması olan "artık sd ≤ 0" hatasıyla durur.
- Sabit faktör aynı zamanda rastgele seçilmişse hata (327–331); sabit etkiler gözlem sayısını doyuruyorsa hata (395–406).
- Etkileşim istendi ama hücre başına tek gözlem varsa etkileşim artığa katılır ve not yazılır (410–421).
- Moment kestiricilerinde negatif bileşen olabilir; not yazılır, sıfıra çekilmez (658–659).
- REML/ML'de bileşen sınırda (0) kalabilir; dış faktör 0 ise neden notu yazılır (504–519).
100.3 Parametreler
Varsayılanlar varcomp.py:95–257 (form), 260–273 (read_options) ve çağırandan (stats_panel.py:6268–6295) okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı değişken (sayısal) | ilk sayısal sütun | Yanıt. | — |
| Rastgele faktörler | 1. satır zorunlu, 2. satır "Yok" | Kategorik, ikili ya da sayısal kodlu grup sütunları; "+ Faktör ekle" ile sınırsız. | Rastgele terimler. |
| üst faktörde iç içe | kapalı (2. satırdan itibaren) | İşaretliyse faktör, üstündeki tüm faktörlerin içinde iç içedir. | Düzeyler birleştirilir; işaretsiz faktör çapraz sayılır. |
| Kestirim yöntemi | REML (önerilen) | ML, ANOVA (Tip I, EMS), MINQUE(0) / MIVQUE0, MINQUE(1). | Bileşenler, çıkarım tablosu. |
| Sabit faktörler / kovaryatlar | boş | Seçilirse model tümüyle REML/ML motoruyla kurulur; Satterthwaite sd'li sabit etki tablosu. | Bileşenler sabit etkilerden arındırılır. |
| Kategorik (faktör) değişkenler | boş | Sayısal kodlu sabit sütunları faktör sayar. | Kovaryat yerine kukla kodlama. |
| İlk iki çapraz rastgele faktörün etkileşim bileşenini ekle (A×B) | kapalı | (1\mid A{:}B) terimi. | Ek bileşen. |
| Her bileşen için σ² = 0 olabilirlik oranı testi (REML/ML) | kapalı | Her terim çıkarılıp yeniden kestirilir (ranova). |
Ek tablo; moment yöntemlerinde kapalı. |
Güven düzeyi seçeneği yoktur; bileşen GA'ları her zaman %95'tir (covparm_table(alpha = 0.05)).
Neden beş kestirici?
REML, sabit etkileri kestirmenin bedelini (serbestlik derecesi kaybı) hesaba katar ve dengeli veride pozitif bileşenlerde ANOVA kestirimiyle aynıdır; varsayılan budur. ML, sabit etkileri bilinen sayar ve bileşenleri aşağı yanlı verir (bu veride klinik bileşeni %29 küçük). ANOVA (Tip I), kareler ortalamalarını beklenen değerlerine eşitler; kapalı biçimlidir, negatif sonuç verebilir ve dengesiz veride terim sırasına bağlıdır. MINQUE(0) ve MINQUE(1), önsel ağırlıklarla yansız ikinci dereceden kestiricilerdir; yineleme gerektirmez. Dengeli veride beşinin dördü (ML hariç) aynı sayıyı verir.
Koddaki tercih: iki ayrı yol
Sabit etki ya da etkileşim yoksa REML/ML bileşenleri, SH/GA tablosuyla aynı mixed_reml uyumundan okunur (varcomp.py:452–456); böylece çok terimli sınır durumlarında da bileşenler ve SH'ler aynı optimumdan gelir. Sabit etki ya da etkileşim varsa _execute_engine aynı motoru sabit etkilerle çağırır ve modeli lme4 sözdizimiyle nota yazar (treatment_response ~ clinical + (1|doctor_id); 699–710). Moment yöntemleri stats/varcomp_moments.py'dedir.
100.4 Tıp örneği
Dosya: english/datasets/Tip/100_varcomp_clinical_doctor_patient_h2.xlsx (Türkçe kopya: samples/Tum_Analiz_Tip/100_varcomp_klinik_doktor_hasta_h2.xlsx); değişkenler video betiği #100'den.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
treatment_response |
Bağımlı | sürekli | ort. 70,13; SS 7,23; 55,3–93,5 |
clinical |
Rastgele faktör (dış) | metin, 4 düzey | klinik ortalamaları 72,74; 65,66; 73,38; 68,73 |
doctor_id |
Rastgele faktör, clinical içinde iç içe |
metin | etiketler her klinikte aynı (Kli_Dr01–Kli_Dr05); iç içe kurulunca 20 doktor |
patient_id |
(kullanılmaz) | metin | her satırda farklı; artıkla aynı düzey |
n ve eksik değer: 120 hasta, eksik yok. Tasarım dengeli: 4 klinik × 5 doktor × 6 hasta.
Klinik soru: Tedavi yanıtındaki değişkenliğin ne kadarı klinikten, ne kadarı klinik içindeki doktordan, ne kadarı hastadan kaynaklanıyor?
Seçilen ayarlar: REML (varsayılan), 2. faktör doctor_id + "üst faktörde iç içe" işaretli, LRT açık. Ek çalıştırmalar: ML, ANOVA (Tip I), MINQUE(0), MINQUE(1); iç içe kutusu işaretsiz doctor_id (tuzak örneği); clinical sabit, doctor_id rastgele.
100.5 Formüller ve hesap adımları
MerQur'un hesap sırası: (1) faktör listesi ve iç içe zinciri; (2) liste bazında silme, yanıt varyansı ve düzey denetimleri; (3) yönteme göre: REML/ML için mixed_reml.fit_mixed (profillenmiş sapmanın en küçüklenmesi), moment yöntemleri için Tip I ya da MINQUE denklemleri; (4) bileşenler, toplam, yüzde, ICC; (5) REML/ML'de bileşen SH, Wald Z, log-Wald GA, asimptotik kovaryans, bilgi ölçütleri; (6) istenirse LRT.
100.5.1 REML ve ML
- \mathbf V=\sum_r\sigma_r^2\mathbf Z_r\mathbf Z_r^{\top}+\sigma_e^2\mathbf I; \hat{\boldsymbol\beta} verilen \mathbf V için GLS kestirimi; p: sabit etki sayısı (burada 1).
- REML'deki \ln|\mathbf X^{\top}\mathbf V^{-1}\mathbf X| terimi, \boldsymbol\beta'nın kestirilmesinin bedelidir; artık varyansın N yerine N-p paydalı kestirilmesinin karma model genellemesidir.
- MerQur bu sapmayı
lme4gibi göreli kovaryans faktörü \theta_r=\sigma_r/\sigma_e üzerinden, cezalı en küçük karelerle ve \sigma_e profillenerek hesaplar (LMMEngine.deviance,mixed_reml.py:215–226); ayrıntı Bölüm 54.5'tedir. En küçükleme L-BFGS-B + Powell (üç başlangıç), Nelder–Mead ve analitik Newton cilasıyla yapılır (240–366).
Neden ML bileşeni küçük?
Dengeli iç içe tasarımda iki kestiricinin kapalı biçimi vardır: REML \hat\sigma_a^2=(\text{KO}_a-\text{KO}_b)/(bn), ML ise \big(\tfrac{a-1}{a}\text{KO}_a-\text{KO}_b\big)/(bn) (pozitif kaldıkça). ML, genel ortalamanın kestirildiğini hesaba katmadığı için dış faktörün kareler toplamını a-1 yerine a ile böler. Dört klinikte bu, bileşeni (393,42 × 0,75 − 54,58)/30 = 8,016'ya indirir; REML 11,295'tir. Düzey sayısı az olan faktörde fark büyüktür.
100.5.2 Bileşenlerin asimptotik kovaryansı, SH ve GA
- 2\mathbf H^{-1}: -2\ell'nin Hessian'ından gözlenen bilgi tersi (-\ell'nin Hessian'ı \mathbf H/2).
lmerTestile aynı tanım. - \mathbf H_v analitik hesaplanır (Harville 1977 türevleri,
varpar_hessian,mixed_reml.py:412–437); \mathbf J ile kovaryans parametrelemesine çevrilir (delta yöntemi;covparm_table, 567–619). İç optimumda bu, doğrudan \boldsymbol\psi üzerinde alınan Hessian'ın tersine eşittir. - GA log ölçekte Wald'dır (
_log_ci, 872–877): sınırlar pozitif kalır, aralık sağa çarpıktır. - Wald Z'nin p'si iki yönlüdür ve \sigma^2=0 sınırında geçersizdir; bileşenin sıfırdan farkı için LRT kullanılmalıdır.
Az düzeyli faktörde Wald Z işe yaramaz
Dört klinik için \SH(\hat\sigma_a^2)\approx\hat\sigma_a^2\sqrt{2/(a-1)} mertebesindedir; Z\approx1 ve p\approx0{,}3 çıkar, bileşen ne kadar büyük olursa olsun. Bu veride Wald p=0{,}292, LRT karışım p=0{,}004'tür. MerQur not satırında "sınırdaki bileşenlerde Wald Z güvenilmez" yazar; raporda LRT tercih edilmelidir.
100.5.3 ANOVA (Tip I) kestiricisi
- \mathbf P_r: [\mathbf X,\mathbf Z_1,\dots,\mathbf Z_r]'nin sütun uzayına dik izdüşüm; terimler form sırasıyla eklenir (Tip I = ardışık).
- c_{rs}: beklenen kareler ortalaması (E(KO)) katsayıları (Hartley 1967 "sentez" yöntemi). Dengeli iç içe tasarımda klinik satırı 30\sigma_a^2+6\sigma_b^2+\sigma_e^2, doktor satırı 6\sigma_b^2+\sigma_e^2.
- Kestirim: \text{KO}=\mathbf C\boldsymbol\sigma^2 doğrusal sistemi çözülür (
anova_type1,varcomp_moments.py:47–86).
Koddaki tercih: rank eşiği
İzdüşümün rankı SVD'de numpy.linalg.matrix_rank eşiğiyle (s_{\max}\cdot\max(n,p)\cdot\varepsilon) belirlenir (_proj, 25–39). pinv'in varsayılan eşiği büyük n'de sıfır olması gereken tekil değerleri tutabilir ve Tip I kareler toplamlarını doğru değerden saptırabilir; rank eşiği bu yüzden açıkça verilir.
100.5.4 MINQUE(0) ve MINQUE(1)
- \mathbf V_r=\mathbf Z_r\mathbf Z_r^{\top} (artık için \mathbf I); w=0: MINQUE(0) (önsel: yalnız artık), w=1: MINQUE(1) (tüm bileşenler eşit).
- MINQUE, \mathbf V=\mathbf V_0 olsaydı en küçük varyanslı yansız ikinci dereceden kestiricidir (Rao 1971). Önsel doğruysa REML'in bir yinelemesine eşittir.
- Yoğun n\times n cebir kullanılır (
minque, 89–105).
100.5.5 Yüzde pay, ICC ve bilgi ölçütleri
- MerQur her rastgele bileşen için ayrı "ICC" yazar; bu, bileşenin toplam içindeki payıdır.
- k: sabit etki sayısı + göreli kovaryans parametresi sayısı + 1 (
info_criteria,mixed_reml.py:400–410);lme4'ün REML ve ML'de kullandığı sayı. AICC =\text{AIC}+2k(k+1)/(N-k-1); BIC k\ln N; CAIC k(\ln N+1).
İç içe yapıda "ICC" iki anlamda kullanılır
Aynı doktorun iki hastası hem a_i'yi hem b_{ij}'yi paylaşır; aralarındaki korelasyon (\sigma_a^2+\sigma_b^2)/\sigma^2_{\text{top}}=0{,}244'tür. MerQur'un doktor satırındaki 0,039 yalnız \sigma_b^2'nin payıdır; "aynı doktorun hastaları arasındaki korelasyon" değildir. Aynı klinikteki farklı doktorların hastaları arasındaki korelasyon 0,205'tir.
AIC'de parametre sayısı yazılımdan yazılıma değişebilir
Bazı yazılımlar REML'de AIC'ye yalnız kovaryans parametrelerini sayar (k=3; bu veride 803,53). MerQur lme4 gibi sabit etkiyi de sayar (k=4; 805,53). REML AIC'leri yalnız aynı sabit etkili modeller arasında karşılaştırılabildiği için sıralama değişmez; sayılar yazılımlar arasında karşılaştırılırken bu fark akılda tutulmalıdır.
100.5.6 Bileşen = 0 olabilirlik oranı testi
- İndirgenmiş model aynı yöntemle (REML ya da ML) yeniden kestirilir (
lrt_random,mixed_reml.py:1476–1501);lmerTest::ranovaile aynı tanım. Rastgele terim kalmazsa doğrusal model sapması kapalı biçimde hesaplanır (1484–1494). - Sınırdaki tek varyansın testinde doğru referans \tfrac12\chi^2_0+\tfrac12\chi^2_1'dir (Self ve Liang 1987); MerQur ikisini yazar.
- REML LRT'si yalnız sabit etkileri aynı olan modeller arasında geçerlidir; burada sabit etkiler değişmediği için uygundur.
100.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/varcomp/elle_hesap.py ile hesaplanmıştır: ANOVA kareler toplamları grup ortalamalarından, REML/ML ise -2\ell'nin doğrudan \mathbf V üzerinden (klinik bloklarına ayrılarak) en küçüklenmesiyle; asimptotik kovaryans, \boldsymbol\psi üzerinde Richardson farkıyla alınan Hessian'dan; MINQUE doğrudan matris formülünden. MerQur çağrılmaz.
Adım 1 — Ortalamalar. Genel ortalama \bar y=70{,}1275. Klinik ortalamaları A 72,743; B 65,660; C 73,380; D 68,727. Doktor ortalamaları klinik içinde 64,20 ile 80,15 arasındadır (Şekil 100.1).
Adım 2 — Kareler toplamları (a=4, b=5, n=6).
Adım 3 — E(KO) denklemlerinin çözümü.
Toplam 55,16568; paylar %20,47 (klinik), %3,88 (doktor), %75,64 (hasta). Bileşenlerin hepsi pozitif ve tasarım dengeli olduğu için REML, MINQUE(0) ve MINQUE(1) aynı sayıları verir. ML: \hat\sigma_a^2=(0{,}75\times393{,}4223-54{,}5792)/30=8{,}016251, öteki iki bileşen değişmez.
Şekil 100.1. Sol: hastalar (gri), doktor ortalamaları (mor) ve klinik ortalamaları (turuncu çizgi); noktalı çizgi genel ortalama. Sağ: beş kestiricide toplam varyansın bileşenlere dağılımı.
Adım 4 — Olabilirlik. REML optimumunda -2\ell_{\text{REML}}=797{,}5342; k=4: AIC 805,5342, BIC 797{,}5342+4\ln120=816{,}6842. ML: -2\ell=800{,}4087.
Adım 5 — Asimptotik kovaryans. Dengeli tasarımda REML kestiricileri kareler ortalamalarının doğrusal birleşimidir ve \operatorname{Var}(\text{KO}_r)=2\,E(\text{KO}_r)^2/\text{sd}_r olduğundan kapalı biçim vardır:
MerQur'un REML Hessian'ından gelen matris bu sayılarla 10^{-11} düzeyinde aynıdır. Buradan \SH(\hat\sigma_a^2)=\sqrt{115{,}0664}=10{,}7269, Z=11{,}2948/10{,}7269=1{,}053, p=0{,}292; log-Wald GA:
ML'de \widehat{\operatorname{Var}}(\hat\sigma_a^2)=48{,}7828 (\SH=6{,}9845).
Adım 6 — LRT (REML).
| Çıkarılan terim | -2\ell_{\text{REML}} | LRT | p (\chi^2_1) | p (karışım) |
|---|---|---|---|---|
| (tam model) | 797,5342 | — | — | — |
| klinik | 804,5898 | 7,0556 | 0,0079 | 0,0040 |
| doktor (klinik içinde) | 798,0642 | 0,5300 | 0,4666 | 0,2333 |
Klinik bileşeni sıfırdan farklıdır; doktor bileşeni değildir. Wald Z klinik için p=0{,}292 verir (100.5.2, uyarı).
Adım 7 — İç içe kutusunu işaretlememenin sonucu. doctor_id etiketleri her klinikte aynı olduğu için işaretsiz kurulduğunda MerQur 5 düzeyli çapraz bir "doktor" faktörü görür: Kli_Dr01 dört farklı kliniğin dört farklı doktorudur. Bu modelde \hat\sigma^2_{\text{doktor}}=0 (sınır), \hat\sigma_e^2=52{,}3232 (yanıtın ham varyansı), -2\ell_{\text{REML}}=813{,}4302 çıkar ve klinik bileşeni tümüyle kaybolur. Doktor kodlarının klinikler arasında tekrarlandığı veride iç içe kutusu zorunludur.
100.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan alınmıştır (varcomp sonuç nesnesi yuvarlama yapmaz). R 4.5.3: lme4::lmer(treatment_response ~ 1 + (1 | clinical) + (1 | clinical:doctor_id), REML = TRUE/FALSE) (bileşenler, -2\ell, AIC, BIC), lmerTest::ranova (LRT), numDeriv::hessian ile -2\ell(\boldsymbol\psi)'nin doğrudan Hessian'ı (asimptotik kovaryans 2\mathbf H^{-1}), anova(lm(... ~ clinical + clinical:doctor_id)) (Tip I) ve E(KO) denklemleri, MINQUE için R'de matris formülü.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| REML: \sigma^2_{\text{klinik}} | 11,294770 | 11,294772 | 11,294776 | 6,1e−06 | ✓ (eniyileyici, 10−5) |
| REML: \sigma^2_{\text{doktor(klinik)}} | 2,141660 | 2,141660 | 2,141660 | 5,3e−08 | ✓ (eniyileyici, 10−5) |
| REML: \sigma^2_e | 41,729250 | 41,729250 | 41,729249 | 5,5e−07 | ✓ (eniyileyici, 10−5) |
| REML: −2 log L | 797,534194 | 797,534194 | 797,534194 | 1,3e−11 | ✓ |
| REML: AIC | 805,534194 | 805,534194 | 805,534194 | 1,3e−11 | ✓ |
| REML: BIC | 816,684161 | 816,684161 | 816,684161 | 1,3e−11 | ✓ |
| REML: SH \sigma^2_{\text{klinik}} | 10,726901 | 10,726904 | 10,726911 | 1,0e−05 | ✓ (sayısal Hessian, 10−5) |
| REML: SH \sigma^2_{\text{doktor(klinik)}} | 3,363149 | 3,363149 | 3,363149 | 6,8e−07 | ✓ (sayısal Hessian, 10−5) |
| REML: SH \sigma^2_e | 5,901407 | 5,901407 | 5,901407 | 1,7e−07 | ✓ (sayısal Hessian, 10−5) |
| REML: Cov(\sigma^2_{\text{doktor(klinik)}}, \sigma^2_e) | −5,804434 | −5,804432 | −5,804434 | 2,4e−06 | ✓ (sayısal Hessian, 10−5) |
| REML: %95 log-Wald GA üst \sigma^2_{\text{klinik}} | 72,657919 | 72,657939 | 72,658011 | 9,2e−05 | ✓ (sayısal Hessian, 10−5) |
| REML: % toplam \sigma^2_{\text{klinik}} | 20,474269 | 20,474272 | 20,474279 | 9,0e−06 | ✓ (eniyileyici, 10−5) |
| REML: LRT, \sigma^2_{\text{klinik}} = 0 | 7,055595 | 7,055595 | 7,055595 | 5,6e−12 | ✓ (eniyileyici, 10−5) |
| REML: LRT, \sigma^2_{\text{doktor(klinik)}} = 0 | 0,530010 | 0,530010 | 0,530010 | 6,7e−12 | ✓ (eniyileyici, 10−5) |
| ML: \sigma^2_{\text{klinik}} | 8,016251 | 8,016250 | 8,016251 | 3,2e−07 | ✓ (eniyileyici, 10−5) |
| ML: \sigma^2_{\text{doktor(klinik)}} | 2,141660 | 2,141660 | 2,141660 | 1,1e−07 | ✓ (eniyileyici, 10−5) |
| ML: \sigma^2_e | 41,729250 | 41,729251 | 41,729250 | 8,1e−07 | ✓ (eniyileyici, 10−5) |
| ML: −2 log L | 800,408734 | 800,408734 | 800,408734 | 1,4e−11 | ✓ |
| ML: AIC | 808,408734 | 808,408734 | 808,408734 | 1,4e−11 | ✓ |
| ML: BIC | 819,558701 | 819,558701 | 819,558701 | 1,4e−11 | ✓ |
| ML: SH \sigma^2_{\text{klinik}} | 6,984471 | 6,984470 | 6,984471 | 7,4e−07 | ✓ (sayısal Hessian, 10−5) |
| ML: SH \sigma^2_{\text{doktor(klinik)}} | 3,363149 | 3,363149 | 3,363149 | 3,6e−07 | ✓ (sayısal Hessian, 10−5) |
| ML: SH \sigma^2_e | 5,901407 | 5,901407 | 5,901407 | 1,5e−07 | ✓ (sayısal Hessian, 10−5) |
| ML: Cov(\sigma^2_{\text{doktor(klinik)}}, \sigma^2_e) | −5,804434 | −5,804433 | −5,804434 | 1,0e−06 | ✓ (sayısal Hessian, 10−5) |
| ML: %95 log-Wald GA üst \sigma^2_{\text{klinik}} | 44,219497 | 44,219491 | 44,219498 | 6,7e−06 | ✓ (sayısal Hessian, 10−5) |
| ML: % toplam \sigma^2_{\text{klinik}} | 15,449392 | 15,449391 | 15,449392 | 7,3e−07 | ✓ (eniyileyici, 10−5) |
| ML: LRT, \sigma^2_{\text{klinik}} = 0 | 5,888452 | 5,888452 | 5,888452 | 5,3e−12 | ✓ (eniyileyici, 10−5) |
| ML: LRT, \sigma^2_{\text{doktor(klinik)}} = 0 | 0,530010 | 0,530010 | 0,530010 | 6,8e−12 | ✓ (eniyileyici, 10−5) |
| ANOVA (Tip I): KT klinik | 1180,266917 | 1180,266917 | 1180,266917 | 2,0e−11 | ✓ |
| ANOVA (Tip I): KT doktor(klinik) | 873,267333 | 873,267333 | 873,267333 | 7,0e−11 | ✓ |
| ANOVA (Tip I): KT artık | 4172,925000 | 4172,925000 | 4172,925000 | 2,2e−10 | ✓ |
| ANOVA (Tip I): \sigma^2_{\text{klinik}} | 11,294770 | 11,294770 | 11,294770 | 4,2e−13 | ✓ |
| ANOVA (Tip I): \sigma^2_{\text{doktor(klinik)}} | 2,141660 | 2,141660 | 2,141660 | 3,7e−13 | ✓ |
| ANOVA (Tip I): \sigma^2_e | 41,729250 | 41,729250 | 41,729250 | 2,2e−12 | ✓ |
| ANOVA (Tip I): E(KO) katsayısı, klinik satırı | 30,000000 | 30,000000 | 30,000000 | 3,6e−15 | ✓ |
| MINQUE(0): \sigma^2_{\text{klinik}} | 11,294770 | 11,294770 | 11,294770 | 1,0e−13 | ✓ |
| MINQUE(0): \sigma^2_{\text{doktor(klinik)}} | 2,141660 | 2,141660 | 2,141660 | 1,8e−13 | ✓ |
| MINQUE(0): \sigma^2_e | 41,729250 | 41,729250 | 41,729250 | 1,4e−13 | ✓ |
| MINQUE(1): \sigma^2_{\text{klinik}} | 11,294770 | 11,294770 | 11,294770 | 5,2e−13 | ✓ |
| MINQUE(1): \sigma^2_{\text{doktor(klinik)}} | 2,141660 | 2,141660 | 2,141660 | 1,2e−13 | ✓ |
| MINQUE(1): \sigma^2_e | 41,729250 | 41,729250 | 41,729250 | 8,5e−14 | ✓ |
| Yalnız doktor (iç içe işaretsiz), REML: \sigma^2_e | 52,323187 | 52,323187 | 52,323187 | 3,1e−09 | ✓ (eniyileyici, 10−5) |
| Yalnız doktor (iç içe işaretsiz), REML: −2 log L | 813,430177 | 813,430177 | 813,430177 | 4,1e−12 | ✓ |
lme4 bileşenleri BOBYQA durma ölçütü nedeniyle kapalı biçimden 10^{-5} göreli düzeyde ayrışır (ör. klinik 11,294776; tam değer 11,294770); MerQur'un Newton cilası tam değeri 10^{-12} düzeyinde verir. SH'ler sayısal Hessian'la karşılaştırıldığı için 10^{-5} ölçütü kullanılmıştır; MerQur'un analitik Hessian'ı Adım 5'teki kapalı biçimle 10^{-11} düzeyinde aynıdır.
100.7 Çıktıyı okuma
Sonuç metni (REML, iç içe, LRT açık; kısaltılmış):
VARCOMP — Varyans Bileşenleri Analizi (REML)
Bağımlı değişken : treatment_response
Rastgele faktörler: clinical, doctor_id (clinical içine yuvalanmış)
Gözlem sayısı : N = 120
Varyans Bileşenleri:
Bileşen σ² σ % Toplam
clinical 11.2948 3.3608 %20.47
doctor_id (clinical içine yuvalanmış) 2.1417 1.4634 %3.88
Artık (hata) 41.7293 6.4598 %75.64
TOPLAM 55.1657 %100.00
ICC (sınıf içi korelasyon) — her bileşen için:
• clinical = 0.205 (orta (gruplar arası varyans kayda değer))
• doctor_id (clinical içine yuvalanmış) = 0.039 (düşük (rastgele etki zayıf))
Varyans bileşeni çıkarımı (SE, Wald Z, güven aralığı):
Bileşen σ² SE Wald Z p %95 GA (log-Wald)
clinical 11.2948 10.7269 1.053 0.2924 (1.7558, 72.6579)
doctor_id (clinical içine y 2.1417 3.3631 0.637 0.5243 (0.0986, 46.4978)
Artık (hata) 41.7293 5.9014 7.071 < .001 (31.6273, 55.0578)
-2LL (REML) = 797.5342 · AIC = 805.5342 · AICC = 805.8820 · BIC = 816.6842 · CAIC = 820.6842
BİLEŞEN = 0 TESTLERİ (LRT, ranova)
(1 | clinical) 804.590 7.056 1 0.0079 0.0040
(1 | doctor_id (clinical içine yuvalanm 798.064 0.530 1 0.4666 0.2333
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Varyans bileşenleri | \hat\sigma^2, \hat\sigma, yüzde. | Ana sonuç. \hat\sigma, faktörün yanıt ölçeğindeki tipik sapmasıdır: kliniklerin ortalaması genel ortalamadan tipik olarak ±3,4 puan sapar. |
| ICC satırları | Her bileşenin payı + sözel etiket (>0,50 yüksek, >0,10 orta, değilse düşük). | Etiket bir anlamlılık testi değildir; bileşenin sıfırdan farkı LRT ile değerlendirilir. İç içe yapıda alt düzeyin korelasyonu payların toplamıdır (100.5.5). |
| APA cümlesi ve yorum | En büyük rastgele bileşen ve artık payı. | Yorum satırı bileşen payını sözel olarak niteler; bir anlamlılık testi değildir, bileşenin önemi LRT ile değerlendirilir. |
| Çıkarım tablosu | SH, Wald Z, p, log-Wald GA. | Az düzeyli faktörde Wald p'si kullanılmaz; GA çok geniştir. |
| Asimptotik kovaryans | Bileşenlerin 3\times3 kovaryansı. | Bileşen oranlarının (ICC) delta yöntemi GA'sı için. |
| Bilgi ölçütleri | -2\ell, AIC, AICC, BIC, CAIC. | k sabit etkiyi içerir (lme4). |
| LRT | Her terim için indirgenmiş -2\ell, LRT, p, karışım p. | Raporlanacak test. |
| Tip I tablosu (ANOVA yöntemi) | KT, sd, KO, E(KO). | Moment yönteminin dayanağı; SH verilmez. |
| Notlar | Az düzey, sıfır bileşen, hücre yapısı. | 100.2'deki koşullar. |
Tablo sekmesi: bileşen, σ², σ, % toplam; REML/ML'de SE, Wald Z, GA. Grafik sekmesi: bileşen yüzdelerinin pasta grafiği (artık gri).
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
Tedavi yanıtının varyansı, klinik ve klinik içinde iç içe doktor rastgele faktörleriyle REML yöntemiyle bileşenlerine ayrıldı (4 klinik, 20 doktor, 120 hasta). Toplam varyansın %20,5'i klinikler arası (\hat\sigma^2 = 11{,}29; %95 GA [1,76; 72,66]), %3,9'u klinik içinde doktorlar arası (\hat\sigma^2 = 2{,}14) ve %75,6'sı hastalar arası farklılıktan (\hat\sigma^2 = 41{,}73) kaynaklandı. Olabilirlik oranı testleri klinik bileşenini anlamlı (LRT = 7,06; sınır karışımı p = 0{,}004), doktor bileşenini anlamsız buldu (LRT = 0,53; p = 0{,}233). Aynı kliniğe başvuran iki hastanın yanıtları arasındaki korelasyon 0,20, aynı doktora başvuran iki hastanınki 0,24 idi.
100.8 Uzman soruları
S1. REML ve ANOVA neden birebir aynı çıktı? Hangisi "doğru"?
Dengeli veride REML denklemleri, kareler ortalamalarını beklenen değerlerine eşitleyen ANOVA denklemleriyle aynıdır; çözüm parametre uzayının içindeyse (tüm bileşenler pozitif) iki kestirici çakışır. Fark iki durumda ortaya çıkar: (1) ANOVA bir bileşeni negatif verirse REML onu 0'da tutar ve diğerlerini yeniden dağıtır; (2) dengesiz veride ANOVA terim sırasına bağlıdır, REML değildir. MerQur'un REML'i burada ANOVA'yla 10^{-12} düzeyinde aynıdır; lme4 10^{-5} düzeyinde ayrışır.
S2. Bileşen SH'si neden bu kadar büyük? Dört klinikle ne söylenebilir?
\hat\sigma_a^2'nin bilgisi esas olarak üç serbestlik dereceli \text{KO}_a'dan gelir; \operatorname{Var}(\text{KO}_a)=2E(\text{KO}_a)^2/3 olduğundan göreli SH yaklaşık \sqrt{2/3}\approx0{,}82'dir. %95 GA [1,8; 72,7] gerçek bilgisizliği yansıtır. Dört düzeyli faktörün varyansını kestirmek mümkündür ama kesin değildir; MerQur 5'ten az düzeyde not yazar. Planlamada merkez sayısını artırmak, merkez başına hasta sayısını artırmaktan daha değerlidir.
S3. Wald Z anlamsız, LRT anlamlı; çelişki mi?
Hayır. Wald testi varyans kestiricisinin örnekleme dağılımını normal sayar; az düzeyde bu dağılım çok çarpıktır (ölçekli ki-kare) ve sıfır sınırına yakındır. LRT bu çarpıklıktan etkilenmez ve sınır için karışım düzeltmesi vardır. Varyans bileşeninin sıfırdan farkı her zaman LRT (ya da tam test, ör. KO oranının F testi) ile sınanmalıdır; Wald Z yalnız çok düzeyli faktörlerde kabaca kullanılabilir.
S4. MerQur'un asimptotik kovaryansı hangi tanıma dayanır?
REML ve ML için tanım lmerTest ile aynıdır: -2\ell'nin gözlenen Hessian'ının 2\mathbf H^{-1}'i (analitik ve Newton cilalı; mixed_reml.py:306–372). Bu veride kapalı biçimle 10^{-11} düzeyinde örtüşür. Beklenen bilgiyi kullanan bir REML kestirimi sınır dışı iç noktada aynı, dengesiz veride çok küçük farklı sonuç verebilir. Moment yöntemlerinde MerQur SH vermez.
S5. Moment kestiricisi negatif çıkarsa ne yapılır?
ANOVA ve MINQUE yansız kestiricilerdir ve gerçek değer sıfıra yakınsa sıklıkla negatif çıkarlar. MerQur negatif değeri olduğu gibi yazar, toplam ve yüzdeleri onunla hesaplar ve not düşer (varcomp.py:658–659); pasta grafiğinde negatif dilim 0 çizilir. Raporlama için REML önerilir: parametre uzayına (≥ 0) kısıtlıdır. Negatif kestirimi sıfıra çekip diğerlerini değiştirmeden bırakmak tutarsızdır.
S6. İç içe kutusu ne zaman gerekir? Doktor kodlarım zaten benzersizse?
Kutu, faktörün düzeylerini üstündeki faktörlerle birleştirir. Doktor kodları tüm veride benzersizse (A_Dr1, B_Dr1) kutu işaretli de işaretsiz de aynı grupları üretir ve sonuç aynıdır. Kodlar klinikler arasında tekrarlanıyorsa (bu veri) kutu zorunludur; işaretsiz kurulduğunda farklı kliniklerin doktorları tek "doktor" sayılır ve model tamamen değişir (Adım 7). MerQur bu durumu kendiliğinden fark etmez.
S7. Sabit faktör eklediğimde bileşenler neden değişti?
Sabit faktör, onun açıkladığı varyansı rastgele bileşenlerden çıkarır. Bu veride clinical sabit alınıp doctor_id (işaretsiz) rastgele bırakıldığında artık 43,50'ye iner ve doktor bileşeni 0 olur; klinik farkları artık sabit etki olarak test edilir (F değil, Satterthwaite sd'li t tablosu). Hangi faktörün rastgele sayılacağı bilimsel sorudan çıkar: dört kliniğe genelleme mi, bu dört kliniğin karşılaştırması mı?
S8. ICC'yi neden GA ile vermiyor?
MerQur bileşen payının GA'sını vermez. Asimptotik kovaryans matrisi verildiği için delta yöntemiyle hesaplanabilir; ancak az düzeyli faktörde bu yaklaşım kötüdür. ICC'nin GA'sı gerekiyorsa ICC analizi (Bölüm 87; tek yönlü rastgele modelde F tabanlı tam GA) ya da profil olabilirlik kullanılmalıdır.
100.9 Sık hatalar ve tuzaklar
- İç içe kutusunu unutmak. Alt düzey kodları üst düzeyler arasında tekrarlanıyorsa model yanlış kurulur (Adım 7).
- Hasta kimliğini rastgele faktör olarak eklemek. Her satırda farklıysa düzey sayısı N'dir ve artıkla karışır; MerQur REML/ML'de hata verir. Hasta düzeyi zaten artıktır.
- Wald p'siyle bileşenin "anlamsız" olduğuna karar vermek. Az düzeyde LRT kullanılmalı.
- ICC etiketini test sonucu sanmak. Etiket yalnız 0,10 ve 0,50 eşiklerine göre sözeldir; bileşenin sıfırdan farkı LRT ile sınanır.
- Bileşen payını alt düzeyin korelasyonu sanmak. Aynı doktorun hastalarının korelasyonu (\sigma_a^2+\sigma_b^2)/\sigma^2_{\text{top}}'tur.
- Bileşen payını (ICC) kalıtım derecesi sanmak. Yarım kardeş (baba) tasarımında h^2=4\sigma^2_{\text{baba}}/\sigma^2_{\text{top}}, tam kardeşte yaklaşık 2\timesICC'dir; klinik gibi genetik olmayan bir faktörde kalıtım yorumu yoktur.
- ML bileşenini raporlamak. Az düzeyli faktörde belirgin biçimde aşağı yanlıdır; REML önerilir.
- Dengesiz veride ANOVA (Tip I) kestirimini sırasız yorumlamak. Sonuç faktörlerin form sırasına bağlıdır.
- Sınırdaki bileşen için Wald çıkarımı aramak. \hat\sigma^2\approx0 olduğunda log-Wald GA, Wald Z ve p tanımsızdır; MerQur bu hücrelere "—" yazar. Bileşenin sıfırdan farkı LRT ile değerlendirilir.
- REML AIC'sini sabit etkileri farklı modellerle karşılaştırmak. REML olabilirliği sabit etkilere bağlıdır; sabit etki karşılaştırması ML ile yapılır.
100.10 Kaynaklar
- 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
- Hartley, H. O. (1967). Expectations, variances and covariances of ANOVA mean squares by "synthesis". Biometrics, 23(1), 105–114. https://doi.org/10.2307/2528284
- Harville, D. A. (1977). Maximum likelihood approaches to variance component estimation and to related problems. Journal of the American Statistical Association, 72(358), 320–338. https://doi.org/10.1080/01621459.1977.10480998
- Henderson, C. R. (1953). Estimation of variance and covariance components. Biometrics, 9(2), 226–252. https://doi.org/10.2307/3001853
- 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
- Patterson, H. D., & Thompson, R. (1971). Recovery of inter-block information when block sizes are unequal. Biometrika, 58(3), 545–554. https://doi.org/10.1093/biomet/58.3.545
- Rao, C. R. (1971). Estimation of variance and covariance components—MINQUE theory. Journal of Multivariate Analysis, 1(3), 257–275. https://doi.org/10.1016/0047-259X(71)90001-7
- Searle, S. R., Casella, G., & McCulloch, C. E. (1992). Variance components. Wiley. https://doi.org/10.1002/9780470316856
- Self, S. G., & Liang, K.-Y. (1987). Asymptotic properties of maximum likelihood estimators and likelihood ratio tests under nonstandard conditions. Journal of the American Statistical Association, 82(398), 605–610. https://doi.org/10.1080/01621459.1987.10478472