123. Çok Düzeyli Aracılık
Analiz kimliği: multilevel_mediation · Menü adı: Çok Düzeyli Aracılık (1-1-1, 2-1-1, 2-2-1) · Panel: gui/panels/analyses/multilevel_mediation.py (form 90–214, read_options 217–274, execute 279–289) · Motor: stats/multilevel_mediation.py, run_multilevel_mediation (satır 1228–1534); karma model çekirdeği _Core (62–450), _fit_lmm (525–589), _apply_df (628–689)
123.1 Ne işe yarar
Gözlemler kümelere yuvalandığında (vizitler hastaya, hastalar hastaneye, öğrenciler okula) X'in Y üzerindeki etkisinin ne kadarının bir aracı M üzerinden aktarıldığını iki doğrusal karma modelle kestirir. Tek düzeyli aracılıktan (Bölüm 122) farkı iki noktadadır: kümelenme nedeniyle gözlemler bağımsız değildir ve aynı X → M → Y zinciri küme içinde (bir hastanın kendi zaman noktaları arasında) ve kümeler arasında (hastaların ortalamaları arasında) farklı büyüklükte, hatta farklı yönde işleyebilir.
Tasarım adı, X, M ve Y'nin hangi düzeyde ölçüldüğünü söyler (Krull ve MacKinnon 2001):
- 1-1-1: üçü de birinci düzey (her gözlemde değişir). Örnek: her vizitte ölçülen metformin dozu, BMI ve HbA1c.
- 2-1-1: X ikinci düzey (küme içinde sabit), M ve Y birinci düzey. Örnek: hastanenin bir özelliği → hastanın ölçümü → hastanın sonucu.
- 2-2-1: X ve M ikinci düzey, Y birinci düzey.
Varsayılan ayarlarda (1-1-1, küme ortalaması merkezleme ve küme ortalamaları eklenmiş) MerQur iki denklem kestirir:
- i: küme içindeki gözlem; j=1,\dots,J: küme; \bar X_j, \bar M_j: j. kümenin gözlenen ortalaması.
- a_W, b_W, c'_W: düzey içi (within) yollar; a_B, b_B, c'_B: düzeyler arası (between) yollar.
- u_j\sim N(0,\tau_M), v_j\sim N(0,\tau_Y): kümelerin rastgele kesişimleri; e_{ij}, \varepsilon_{ij}: birinci düzey artıklar.
- Düzey içi dolaylı etki a_Wb_W, düzeyler arası dolaylı etki a_Bb_B'dir (Zhang, Zyphur ve Preacher 2009).
Sınanan hipotezler H_0: a_Wb_W=0 ve H_0: a_Bb_B=0'dır; dolaylı etkinin örnekleme dağılımı çarpık olduğu için karar Monte Carlo (varsayılan) ya da bootstrap güven aralığına dayanır.
Ne zaman kullanılır?
- Tekrarlı ölçümler ya da kümelenmiş veride aracılık sorusu varsa ve küme içi/kümeler arası etkiler ayrı yorumlanacaksa.
- Aracılığın kümeden kümeye değiştiği düşünülüyorsa (rastgele a ve b eğimleri; ortalama dolaylı etki ab+\sigma_{ab}).
- Küçük-orta küme sayısında sabit etkiler için Satterthwaite ya da Kenward–Roger serbestlik derecesi gerekiyorsa.
Ne zaman kullanılmaz?
- Gözlemler bağımsızsa: Aracılık Analizi (Bölüm 122) ya da Yol Analizi (Bölüm 124).
- Gözlenen küme ortalamalarındaki örnekleme hatası düzeltilmek isteniyorsa (az gözlemli kümelerde düzeyler arası etki yanlı olur): Çok Düzeyli YEM ile Aracılık (MSEM) (Bölüm 126).
- Y ikili ya da sayımsa: motor yalnız doğrusal karma model kurar; bu durumda doğru model genelleştirilmiş karma modeldir ve MerQur'da çok düzeyli aracılık için karşılığı yoktur.
- Karıştırıcı varsayımları altında nedensel yorum (sıralı bilinmezlik) isteniyorsa: tek düzeyli veride Nedensel Aracılık (Bölüm 125); burada yalnız isteğe bağlı yarı-Bayesçi ACME/ADE çıktısı vardır.
Sık karıştırılan analizler. "Çok düzeyli aracılık" ile MSEM aynı soruyu sorar; fark, küme ortalamasının nasıl ele alındığıdır. Bu bölümdeki yaklaşım \bar X_j ve \bar M_j'yi gözlenen sabit yordayıcı olarak modele koyar; MSEM bunları gizil değişken sayar. Küme başına gözlem sayısı büyük ve ICC yüksekse iki yöntem yakın sonuç verir (Tıp örneğinde a_B 1,558'e karşı 1,614). Ham ya da genel ortalama merkezlemeyle kurulan tek dolaylı etki ise iki düzeyin ağırlıklı bir karışımıdır ve ayrı bir hipotezi sınamaz.
123.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Sayısal X, M, Y | Aralık ölçekli; ikili 0/1 X kullanılabilir. | Sayıya çevrilemeyen değerler yarıdan fazlaysa hata (multilevel_mediation.py:1268–1270). |
| Düzey uyumu | 1-1-1'de X ve M küme içinde değişmeli; 2-1-1'de X, 2-2-1'de X ve M küme içinde sabit olmalı. | Küme içi sapmanın en büyüğü 10^{-9}\,\text{SS} altındaysa "küme içinde sabit" sayılır (_within_constant, 802–808); tasarımla çelişirse hata (1275–1291). |
| Normal rastgele etkiler ve artıklar | u_j, v_j, e_{ij}, \varepsilon_{ij} normal, kümeler bağımsız. | Denetlenmez. |
| Doğru model | Doğrusal ilişkiler; aracı ile sonuç arasında ölçülmemiş karıştırıcı yok. | Denetlenmez. |
| Yeterli küme | Varyans bileşenleri ve düzeyler arası yollar küme sayısına dayanır. | J<2 hata, J<10 uyarı (1267–1268, 1335–1336). |
| Tanımlanabilir model | Gözlem sayısı rastgele etki sayısından büyük; tasarım matrisi tam sıralı. | N\le Jq hata (lme4 check.nobs.vs.nRE, 1349–1358); sıra eksikliğinde iki ayrı ileti: az küme yüzünden mi, doğrusal bağımlılık yüzünden mi (1360–1373). |
Eksik değer. X, M, Y, kovaryatlar ve küme değişkeninde liste bazında silme; ±∞ eksik sayılır; çıkarılan satır sayısı uyarı olarak yazılır (multilevel_mediation.py:1277–1280).
Uç durumlar.
- X, M ya da Y sabitse hata (1271–1273). Sabit kovaryat uyarıyla modelden çıkarılır (1297–1299).
- Kategorik işaretli ya da metin kovaryat ilk düzeyi referans alan kuklalara açılır (1238–1246); düzey sırası Veri sekmesinde tanımlı sıra, sayı içeren etiketlerde doğal sıra, aksi hâlde verideki ilk görülme sırasıdır (alfabetik sıra kullanılmaz); her kovaryatın düzeyi (1 ya da 2) küme içi sabitliğinden belirlenir (1294–1305).
- Tek gözlemli kümeler uyarıyla tutulur: yalnız kesişim varyansına ve düzeyler arası kestirime katkı verirler (1331–1334).
- Tasarıma uymayan seçenekler düzeltilir ve uyarı basılır: yığılmış model 1-1-1 dışında ayrı denkleme döner; ikinci düzey yordayıcının rastgele eğimi kaldırılır; 2-2-1'de küme ortalaması merkezleme genel ortalamaya çevrilir; ayrı denklemlerde "Blok" kovaryans yapısı UN olur (1307–1324).
- 2-1-1'de küme ortalaması merkezleme seçilip küme ortalamaları eklenmezse hata verilir, çünkü bu durumda M'nin düzeyler arası etkisi modelden düşer ve 2-1-1'in tek dolaylı etkisi tanımsız kalır (1318–1319).
- Uydurma sonrası: yakınsamama, tekil (sınırda) uyum, belirlenemezlik ve pozitif tanımlı olmayan Hesse matrisi için ayrı uyarılar (1379–1391).
123.3 Parametreler
Varsayılanlar multilevel_mediation.py:90–274 (form ve read_options) kodundan okunmuştur; motorun imza varsayılanları (1228–1238) arayüzle aynıdır.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımsız değişken (X), Aracı (M), Bağımlı (Y) | ad ipucuyla tahmin | Sayısal sütunlar. | Model. |
| Küme değişkeni | ad ipucu (kume, hastane, kisi, id…) | Rastgele etkilerin öznesi. | Kümeleme. |
| Kovaryatlar | boş | Her iki denkleme ham hâliyle girer; düzeyi veriden belirlenir. 2-2-1'de M denklemine yalnız ikinci düzey kovaryatlar girer. | Yollar kovaryatlara göre düzeltilir. |
| Tasarım | 1-1-1 | 1-1-1 / 2-1-1 / 2-2-1. | Hangi dolaylı etkilerin tanımlı olduğu. |
| Kestirim yaklaşımı | Ayrı denklemler | Ayrı denklemler ya da yığılmış tek denklem (Bauer, Preacher ve Gil 2006; yalnız 1-1-1). | Yığılmışta \sigma_{ab} ve denklemler arası kovaryanslar kestirilir. |
| Rastgele a / b / c' eğimi | kapalı | X→M, M→Y, X→Y eğimlerinin kümeler arasında değişmesi. | Rastgele etki yapısı; SH ve sd. |
| Rastgele etki kovaryans yapısı | UN | UN, VC (köşegen), Blok (denklem başına UN). | VC ve Blok \sigma_{ab}'yi 0'a sabitler. |
| Merkezleme | Küme ortalaması (CWC) | CWC, genel ortalama, ham. | Düzey içi/arası ayrışmanın olup olmadığı. |
| Küme ortalamalarını ikinci düzey yordayıcı olarak ekle | açık | CWC'de \bar X_j ve \bar M_j eklenir. | Düzeyler arası dolaylı etki. |
| Kestirim yöntemi | REML | REML ya da ML. | Varyans bileşenleri, SH. |
| Serbestlik derecesi | Satterthwaite | Satterthwaite, Kenward-Roger (beklenen bilgi), Kenward-Roger (gözlenen bilgi), Artık (N − p). | Sabit etki t testleri; KR'de SH de düzeltilir. |
| Dolaylı etki güven aralığı | Monte Carlo | Monte Carlo, parametrik bootstrap, delta (Sobel). | Dolaylı ve toplam etki GA'sı. |
| Monte Carlo tekrar sayısı | 20000 | En az 1000 (motorda en az 100). | MC GA kararlılığı. |
| Bootstrap örneklem sayısı | 1000 | En az 100 (motorda en az 50). | Bootstrap GA. |
| Rastgele sayı tohumu | 12345 | MC, bootstrap ve nedensel aracılık benzetimi. | Yeniden üretilebilirlik. |
| Delta yöntemi derecesi | 1. derece | 1. ya da 2. derece. | Dolaylı etkinin SH sütunu (ve delta GA). |
| Güven düzeyi | %95 | %50–%99,9. | Tüm GA'lar. |
| Nedensel aracılık çıktısı (ACME/ADE) | kapalı | Yarı-Bayesçi ACME/ADE (Imai, Keele ve Tingley 2010). | Ek tablo; küme ortalamaları eklenmiş modelde ve yığılmışta atlanır. |
| Nedensel aracılık benzetim sayısı | 1000 | Benzetim sayısı. | Ek tablo. |
| Grafik | Otomatik | Dolaylı etki dağılımı, küme eğimleri, küme dolaylı etkileri. | Yalnız grafik. |
Neden varsayılan CWC + küme ortalamaları?
Ham ya da genel ortalama merkezlemede X_{ij} hem küme içi hem kümeler arası değişimi taşır; tek bir eğim iki farklı ilişkinin ağırlıklı ortalaması olur. Tıp örneğinde metformin dozunun HbA1c ile ilişkisi hasta içinde negatif (c'_W=-0{,}547), hastalar arasında pozitiftir (c'_B=+0{,}370): hekimler kontrolsüz hastaya yüksek doz verir (endikasyon karışıklığı), ama aynı hastada doz artınca HbA1c düşer. Ham modelde bu iki işaret birbirini götürür. CWC + ortalamalar, iki ilişkiyi iki ayrı katsayıya ayırır (Enders ve Tofighi 2007; Zhang, Zyphur ve Preacher 2009).
Koddaki tercih: okunmayan seçenekler ayar bloğuna yazılır
Seçilen GA yönteminin kullanmadığı sayı (ör. delta seçiliyken Monte Carlo tekrar sayısı) varsayılandan farklıysa sonuç değişmez, ama "istenen/uygulanan" ayar bloğuna yazılır (_kaydet_okunmayan, 292–314). Her denklemde tek rastgele etki varken VC ile UN aynı modeldir; VC seçimi de aynı blokta not edilir (1341–1347).
123.4 Tıp örneği
Tıp setinde çok düzeyli aracılık için ayrı bir dosya yoktur. Kümelenmiş üç sayısal değişkeni olan panel verisi kullanılmıştır.
Dosya: english/datasets/Tip/117_panel_hba1c_metformin.xlsx (60 hasta × 8 vizit).
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
metformin_g_day |
X | sürekli (g/gün) | ort. 1,4994; düzey içi SS 0,2106; hasta ortalamalarının SS'si 0,4195 |
bmi |
M | sürekli (kg/m²) | ort. 30,2721; düzey içi SS 0,8839; hasta ortalamalarının SS'si 3,4569 |
hba1c_pct |
Y | sürekli (%) | ort. 7,9428; düzey içi SS 0,3055; hasta ortalamalarının SS'si 0,7371 |
patient_id |
Küme | 60 düzey | her hastada 8 vizit (dengeli) |
2-1-1 ve 2-2-1 gösterimleri için iki hasta düzeyi değişken türetilmiştir (dogrulama/multilevel_mediation/veri.py): metformin_ort (hastanın 8 vizitteki ortalama dozu) ve bmi_ort (ortalama BMI). Bunlar küme içinde sabittir.
Rastgele eğim ve \sigma_{ab} anlatımı için ikinci bir veri gerekir: Tıp 117'de BMI'nin HbA1c üzerindeki eğimi hastalar arasında değişmez ve yığılmış rastgele eğimli model sınıra düşer (tekil uyum). Bu nedenle 123.5.4 ve 123.6 Adım 6, Bauer, Preacher ve Gil'in (2006) yöntemi tanıtmak için yayımladığı benzetim verisiyle (100 küme × 8 gözlem; x, m, y; UCLA OARC örnek verisi ml_sim.csv) çalışılmıştır. Yazarların bu veri için yayımladığı çıktı da karşılaştırmaya alınmıştır.
n ve eksik değer: Tıp 117'de 480 gözlem, 60 küme, eksik yok.
Klinik soru: Metformin dozu BMI üzerinden HbA1c'yi etkiliyor mu? Bu aracılık bir hastanın kendi vizitleri arasında mı (doz değişince), yoksa hastalar arasında mı (yüksek doz alan hastalar) görülüyor?
Seçilen ayarlar: Arayüz varsayılanları (1-1-1, ayrı denklemler, CWC + ortalamalar, REML, Satterthwaite, Monte Carlo 20000, tohum 12345, %95). Ayrıca KR (iki tür), 2. derece delta, ML, parametrik bootstrap (1000), 2-1-1 ve 2-2-1 çalıştırılmıştır.
123.5 Formüller ve hesap adımları
MerQur sırası: seçenek ve veri denetimi → kümelere göre sıralama ve merkezleme → tasarım matrislerinin kurulması (_design_m, _design_y) → her denklemin karma modelinin (ya da yığılmış tek modelin) REML/ML ile kestirimi → kovaryans parametrelerinin gözlenen bilgisi ve sabit etkilerin serbestlik derecesi → yol katsayılarının çarpımları, delta SH'leri → Monte Carlo ya da parametrik bootstrap GA → küme eğimleri (BLUP) ve isteğe bağlı nedensel aracılık.
123.5.1 Merkezleme ve tasarım matrisleri
- \bar X_{\cdot\cdot}: tüm gözlemlerin ortalaması (kümelerin değil); \bar X_j: j. kümenin ortalaması (
_center, 821–826;_cmean, 811–813). - İkinci düzey değişken CWC seçilse de genel ortalamadan merkezlenir; küme ortalamasından sapması sıfır olurdu.
- CWC ve "ortalamaları ekle" açıkken M denklemine \bar X_j, Y denklemine \bar X_j (1-1-1'de) ve \bar M_j (M birinci düzeyse) ham küme ortalaması olarak eklenir (
_design_m836–838,_design_y857–863).
Tasarıma göre denklemler (_design_m, _design_y, _fit_models 886–933):
| Tasarım | M denklemi | Y denklemi | Raporlanan dolaylı etki (_levels, 953–971) |
|---|---|---|---|
| 1-1-1, CWC + ortalamalar | \tilde X, \bar X | \tilde X, \tilde M, \bar X, \bar M | düzey içi a_Wb_W; düzeyler arası a_Bb_B |
| 1-1-1, CWC, ortalamasız | \tilde X | \tilde X, \tilde M | yalnız düzey içi |
| 1-1-1, ham / genel | \tilde X | \tilde X, \tilde M | tek "karışık" ab |
| 2-1-1, CWC + ortalamalar | \tilde X (genel merkezli) | \tilde X, \tilde M (CWC), \bar M | düzeyler arası a\,b_B |
| 2-1-1, ham / genel | \tilde X | \tilde X, \tilde M | tek "karışık" ab |
| 2-2-1 | küme düzeyinde EKK: her kümeden bir satır, M_j üzerine \tilde X_j | \tilde X, \tilde M (ikisi de genel merkezli) | düzeyler arası ab |
Neden 2-1-1'de dolaylı etki yalnız düzeyler arasıdır?
X küme içinde sabitse, küme içindeki hiçbir farkı açıklayamaz; X'in M'ye etkisi (a) yalnız \bar M_j'ye aktarılabilir. Bu nedenle zincirin ikinci halkası da düzeyler arası olmalıdır: b_B, yani \bar M_j'nin Y üzerindeki etkisi. Düzey içi b_W (hasta içinde BMI'deki dalgalanmanın HbA1c ile ilişkisi) modelde kalır, ama dolaylı etkiye girmez. Ham merkezlemede tek b, b_W ile b_B'nin karışımıdır ve a\cdot b yanlı olur (Zhang, Zyphur ve Preacher 2009). MerQur 2-1-1'de karışık ab'yi "karışık (ayrıştırılmamış)" diye etiketler.
123.5.2 Karma model ve REML
Her denklem \mathbf y=\mathbf X\boldsymbol\beta+\mathbf Z\mathbf u+\mathbf e, \mathbf u_j\sim N(\mathbf 0,\mathbf G), \mathbf e\sim N(\mathbf 0,\mathbf R) biçimindedir; \mathbf R köşegendir ve yığılmış modelde denklem başına ayrı \sigma^2_k taşır. Küme başına \mathbf V_j=\mathbf Z_j\mathbf G\mathbf Z_j^{\top}+\mathbf R_j. MerQur'un en küçüklediği sapma:
- \boldsymbol\theta: doğal kovaryans parametreleri: \mathbf G'nin serbest öğeleri (alt üçgen satır sırası: (1,1), (2,1), (2,2), …) ve \sigma^2_k.
- \mathbf r=\mathbf y-\mathbf X\hat{\boldsymbol\beta}; p: sabit etki sayısı.
- ML'de \log|\mathbf X^{\top}\mathbf V^{-1}\mathbf X| terimi yoktur ve sabit N\log 2\pi'dir (
evaluate, 136–139). - \boldsymbol\Phi=(\mathbf X^{\top}\mathbf V^{-1}\mathbf X)^{-1}: sabit etkilerin model tabanlı kovaryansı.
Koddaki tercih: Woodbury, Cholesky parametrelemesi ve Newton inceltmesi
\mathbf V_j^{-1} küme başına Woodbury özdeşliğiyle alınır: \mathbf V^{-1}=\mathbf R^{-1}-\mathbf R^{-1}\mathbf Z\mathbf C\mathbf Z^{\top}\mathbf R^{-1}, \mathbf C=\mathbf G(\mathbf I+\mathbf Z^{\top}\mathbf R^{-1}\mathbf Z\mathbf G)^{-1}; böylece q\times q matrislerle, kümeler üzerinde vektörleştirilmiş çalışılır (evaluate, 104–174). Uydurma iki aşamalıdır: \mathbf G=\mathbf L\mathbf L^{\top} ve \log\sigma parametrelemesinde analitik gradyanlı L-BFGS-B (ardından BFGS), sonra doğal parametrelerde sayısal Hesse'li, adım yarılamalı Newton (fit 212–283, _newton 352–383). Cholesky parametrelemesi \mathbf G'yi pozitif yarı tanımlı tutar (lme4 ve nlme gibi); \mathbf G'yi kısıtsız (UN) parametreleyen yazılımlar pozitif tanımlı olmayan \mathbf G'ye izin verdiğinden sınırdaki uyumlarda daha düşük -2\ell bulabilir. Göreli Cholesky köşegeni 10^{-4}'ün altındaysa uyum "tekil" sayılır (lme4 isSingular), sıfıra yakın boyutlar tam 0'a çekilir ve SH/sd hesabından çıkarılır (268–282).
Neden REML?
ML, sabit etkileri biliniyormuş gibi davranır ve varyans bileşenlerini p serbestlik derecesi kadar aşağı yanlı kestirir. REML, \mathbf y'nin sabit etkilerden arındırılmış doğrusal birleşimlerinin olabilirliğidir; dengeli tek kesişimli modelde varyans bileşenleri ANOVA kestiricilerine eşit çıkar (123.6, Adım 2). Sabit etkileri farklı iki modeli olabilirlik oranıyla karşılaştırmak için ise ML seçilmelidir.
123.5.3 Kovaryans parametrelerinin SH'si ve serbestlik derecesi
- \mathbf H: -2\ell'nin doğal parametrelere göre gözlenen Hesse matrisi; analitik gradyanın 4 noktalı Richardson merkezi farkıyla (
hessian_nat, 321–346). - \mathbf V_m=\partial\mathbf V/\partial\theta_m; \mathbf V \boldsymbol\theta'da doğrusal olduğundan bu matrisler sabittir.
- \mathbf A'nın köşegeninin karekökü "Kovaryans parametreleri" tablosundaki SH'dir; varyanslar için p tek yönlü (\Pr>Z), kovaryanslar için çift yönlüdür (panel
_cov_rows, 475–486). - Hesse tekil değilse ama bir parametre öncekilere doğrusal bağımlıysa (olabilirlik sırtı), süpürme (sweep) işlemiyle genelleştirilmiş ters alınır; o parametrenin SH'si "—" basılır (
_sweep_ginv, 583–607).
Kenward–Roger. "Kenward-Roger (beklenen bilgi)" pbkrtest'in tanımıdır: \mathbf W REML beklenen bilgisinin tersi; "gözlenen bilgi" seçeneğinde \mathbf W=\mathbf A'dır (_apply_df, 635–665).
- \mathbf P_m=\mathbf X^{\top}\mathbf V^{-1}\mathbf V_m\mathbf V^{-1}\mathbf X, \mathbf Q_{mn}=\mathbf X^{\top}\mathbf V^{-1}\mathbf V_m\mathbf V^{-1}\mathbf V_n\mathbf V^{-1}\mathbf X; \mathbf V doğrusal olduğu için KR'nin \mathbf R_{mn} terimi sıfırdır.
- KR'de sabit etki SH'si \sqrt{(\boldsymbol\Phi_A)_{kk}} olur ve dolaylı etkilerin delta/MC hesabı da \boldsymbol\Phi_A'yı kullanır (
_joint_cov, 1018–1021). - Artık sd: N-\operatorname{rank}(\mathbf X), tüm katsayılar için aynı.
Tek serbestlikli testte KR sd'si neden 2/(\mathbf s^{\top}\mathbf W\mathbf s)?
Kenward ve Roger'ın (1997) genel ölçekli F yaklaşımında \ell=1 alınınca A_1=A_2=\mathbf s^{\top}\mathbf W\mathbf s=A, B=7A/2, g=-1 olur; ölçek \rho=(1-A/2)/(1-2A) ve m=4+3/(\rho-1)=2/A çıkar. Yani tek katsayılı testte KR sd'si, \mathbf W ile kurulmuş bir Satterthwaite sd'sidir. Bu yüzden "KR (gözlenen bilgi)" seçeneğinin sd'si Satterthwaite ile aynıdır; yalnız SH düzeltilir. pbkrtest'in "beklenen bilgi" seçeneği ise küçük örneklemde farklı sd verir.
123.5.4 Yığılmış model ve rastgele dolaylı etki
Rastgele a ve b eğimleri birlikte değişiyorsa küme j'nin dolaylı etkisi a_jb_j'dir ve beklenen değeri çarpımların değil, çarpımın ortalamasıdır (Kenny, Korchmaros ve Bolger 2003):
- a, b: sabit (ortalama) eğimler; \sigma_a^2, \sigma_b^2: eğim varyansları; \sigma_{ab}: iki eğimin kovaryansı.
- \sigma_{ab}, M ve Y denklemlerindeki rastgele etkilerin ortak dağılımında yer aldığı için iki ayrı modelle kestirilemez. Bauer, Preacher ve Gil (2006) iki denklemi tek bir "yığılmış" modelde birleştirir.
- \operatorname{Var}(a_jb_j) çıktıda "Kümeler arası a_j\cdot b_j varyansı" satırıdır (1469–1479). Ayrı denklemlerde \sigma_{ab}=0 alınır ve formül son iki terimi düşürür.
Yığılmış modelde her gözlem iki satır olur: biri M'nin, biri Y'nin değeri. Gösterge değişkenleri D_M, D_Y ile
- k\in\{M,Y\}; artık varyansı denklem başına ayrıdır (nlme
varIdent). - Rastgele etkiler (u_0,u_a,v_0,v_b,v_c) tek bir \mathbf G ile; UN'da \sigma_{ab}=\operatorname{Kov}(u_a,v_b) kestirilir (
_sab_ref, 974–979). VC ve Blok yapıları bu kovaryansı 0'a sabitler. - Sabit etki sırası [M: kesişim, M: x, Y: kesişim, Y: x, Y: m]; rastgele etki sırası [M: kesişim, M: x, Y: kesişim, Y: m, Y: x] (
_fit_models, 891–912).
123.5.5 Dolaylı, doğrudan ve toplam etkiler
- V_a, V_b, C_{ab}…: \boldsymbol\Phi (KR'de \boldsymbol\Phi_A) öğeleri; ayrı denklemlerde M ve Y modelleri arasındaki kovaryanslar 0'dır (
_joint_cov, 1003–1022). - Köşeli parantez içi 2. derece terimlerdir (Bauer, Preacher ve Gil 2006, eş. 14); "Delta yöntemi derecesi" bunları ekler (
_delta, 1025–1047). \sigma_{ab}'nin varyansı \mathbf A'dan gelir. - Delta GA'sı seçildiğinde z=\text{kestirim}/\text{SH}_\delta ve p=2\Phi(-|z|) basılır; Monte Carlo ya da bootstrap seçildiğinde dolaylı ve toplam etki satırlarının p'si çekilişlerdendir (aşağıdaki kod kutusu). Doğrudan etki satırı ise modelin kendi t testidir: SH, sd ve GA için t_{\nu} (1427–1439).
Monte Carlo GA (Preacher ve Selig 2012; _mc, 1050–1071): her düzey için (a,b,c') ortak normal N(\hat{\boldsymbol\mu},\hat{\mathbf V})'den numpy multivariate_normal(method="eigh") ile çekilir; yığılmış UN modelde önce \sigma_{ab}\sim N(\hat\sigma_{ab},\widehat{\operatorname{Var}}) bağımsız çekilir. GA, ab(+\sigma_{ab}) ve c'+ab(+\sigma_{ab}) çekilişlerinin numpy.quantile (doğrusal ara değer) yüzdelikleridir (_pct, 1136–1142).
Neden Monte Carlo?
\hat a\hat b'nin örnekleme dağılımı iki normalin çarpımıdır; a ya da b sıfıra yakınken belirgin biçimde çarpık ve basıktır. Delta (Sobel) GA'sı simetriktir ve bu durumda kapsama oranı düşer. Monte Carlo, a ve b'nin kestirilen dağılımlarından çarpım dağılımını doğrudan üretir; yeniden kestirim gerektirmez, bu yüzden karma modelde bootstrap'a göre çok hızlıdır ve benzer kapsama verir.
Parametrik bootstrap (_parametric_boot, 1081–1133): her yinelemede u_j\sim N(\mathbf 0,\hat{\mathbf G}) (özdeğer ayrışımıyla, tekil \mathbf G'ye dayanıklı) ve artıklarla önce M^*, sonra M^*'a göre yeniden kurulan tasarımla Y^* üretilir (CWC ve küme ortalamaları M^*'tan yeniden hesaplanır); modeller önceki çözümden başlatılıp gevşek ölçütle yeniden kestirilir. Kestirilemeyen örneklemler atlanır ve sayısı uyarıda yazılır; yakınsamayan örneklemler tutulur ve ayrıca sayılır (1402–1411).
Koddaki tercih: çarpımlarda çekiliş p'si, tek parametrede Wald p'si
Monte Carlo ya da bootstrap seçildiğinde dolaylı ve toplam etki satırlarının (çarpım içeren etkiler) GA'sı ve p'si aynı çekilişlerden gelir: p=\min\{1,\,2\min(P(f<0),P(f>0))\} (1463–1474). Bu "çekiliş p'si" çıktıda "†" ile işaretlenir; bu satırlarda delta z'si yazılmaz ve karar GA'ya göredir. Çekilişlerin hepsi sıfırın aynı yanındaysa p=0 yazılmaz, çözünürlük sınırı "<2/S" yazılır (S çekiliş sayısı). Doğrudan etki c' gibi tek parametrelerde p modelin t (Wald) testindendir. Bir parametreye iki p verilmez; Çok Düzeyli YEM (Bölüm 126) aynı kuralı kullanır.
Neden çarpımda çekiliş p'si?
a\cdot b çarpımının örnekleme dağılımı normal değildir; delta z'sinden gelen p, çekilişlerden kurulan GA ile farklı karar verebilir. Dolaylı etkide çıkarım bu yüzden GA ile yapılır (Preacher ve Selig, 2012); p verilecekse aynı dağılımdan alınır. Tek parametrede ise Wald testi standarttır.
123.5.6 Küme eğimleri ve nedensel aracılık
Küme başına eğimler en iyi doğrusal yansız kestirimlerle (BLUP) verilir: \hat{\mathbf u}_j=\hat{\mathbf G}\mathbf Z_j^{\top}\hat{\mathbf V}_j^{-1}(\mathbf y_j-\mathbf X_j\hat{\boldsymbol\beta}), \hat a_j=\hat a+\hat u_{a,j}, \hat b_j=\hat b+\hat v_{b,j} (_fit_lmm 573–574; 1455–1468). Grafik sekmesindeki "küme eğimleri" ve "küme dolaylı etkileri" bunlardır; bu değerler büzülmüştür ve dolaylı etki çıkarımında kullanılmaz.
İsteğe bağlı nedensel aracılık (R mediation::mediate'in lmer yolu; _mediate_like, 1145–1191): S benzetimde sabit etkiler N(\hat{\boldsymbol\beta},\boldsymbol\Phi)'den, küme etkileri N(\text{BLUP},\text{koşullu SS})'den bağımsız çekilir; X = 0 → 1 karşılaştırmasında
- Kestirim benzetim ortalaması, aracılanan oran için ortanca; GA yüzdelik; p=2\min\{P(<0),P(>0)\}.
- Yalnız ayrı denklemlerde ve küme ortalamaları eklenmemiş modelde çalışır; aksi durumda uyarıyla atlanır (1325–1330): \bar M_j yordayıcıyken "M'yi değiştirmenin" etkisi tanımsızdır.
123.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/multilevel_mediation/elle_kapali.py (dengeli tasarımda kapalı biçim) ve elle_hesap.py (genel yoğun REML, analitik türevler, KR, MC, bootstrap dışı tüm satırlar) ile hesaplanmıştır; ikisi de MerQur kodunu çağırmaz.
Adım 1 — Merkezleme. Genel ortalamalar: metformin 1,499375; BMI 30,272083; HbA1c 7,942771. CWC sütunu x^W_{ij}=X_{ij}-\bar X_j; düzey içi kareler toplamı \sum(x^W)^2=21{,}237475, hasta ortalamalarının kareler toplamı \sum_j(\bar X_j-\bar X_{\cdot\cdot})^2=10{,}383342.
Adım 2 — M denklemi (REML, dengeli kapalı biçim). Her kümede n=8 olduğundan CWC'li model iki bağımsız OLS'ye ayrışır. Düzey içi:
Düzeyler arası (60 hasta ortalaması üzerinde OLS): \hat\gamma_0=27{,}936510, \hat a_B=1{,}557698; \text{RSS}_B=679{,}850740, \text{KO}_B=679{,}850740/58=11{,}721564:
REML çözümü bu değerlerle aynıdır (-2\ell_R=1583{,}251396). Satterthwaite sd'leri tam olarak N-J-1=419 (düzey içi) ve J-2=58'dir (düzeyler arası): dengeli tasarımda her katsayının varyansı tek bir kareler ortalamasına dayanır.
Adım 3 — Y denklemi. Düzey içi (y^W üzerine x^W, m^W): \hat c'_W=-0{,}546819 (SH 0,065244), \hat b_W=0{,}041607 (SH 0,015542), \hat\sigma^2_Y=37{,}779468/418=0{,}090382. Düzeyler arası (\bar Y_j üzerine \bar X_j, \bar M_j): \hat c'_B=0{,}370410 (SH 0,203646), \hat b_B=0{,}091235 (SH 0,024714), \text{KO}_B=23{,}668049/57=0{,}415229, \hat\tau_Y=0{,}415229-0{,}090382/8=0{,}403931. ICC (koşullu): M için 0,9286, Y için 0,8172.
Adım 4 — Dolaylı etkiler ve delta SH.
Toplam etkiler: düzey içi -0{,}546819+0{,}002770=-0{,}544050 (SH 0,065792), düzeyler arası 0{,}370410+0{,}142117=0{,}512527 (SH 0,222231; \operatorname{Kov}(b_B,c'_B) terimi dahil).
Adım 5 — Monte Carlo GA (20000 çekiliş, tohum 12345). Düzey içi ab: [−0,014867; 0,022130]; düzeyler arası ab: [−0,046311; 0,378072]; düzeyler arası toplam: [0,074745; 0,950232]. Düzeyler arası ab'nin MC aralığı sağa çarpıktır (nokta 0,142, uçlar −0,046 ve 0,378); delta GA [−0,062; 0,347] olurdu.
Adım 6 — Kenward–Roger ve ML. Bu dengeli, tek kesişimli modelde KR düzeltmesi sıfırdır (\boldsymbol\Phi_A=\boldsymbol\Phi; SH'ler 10^{-13} içinde aynı) ve KR sd'leri de 58/419'dur. ML'de varyans bileşenleri küçülür (\hat\tau_M=11{,}219491, \hat\sigma^2_M=0{,}890835), SH'ler azalır (\text{SH}(\hat a_B)=1{,}044630) ve Satterthwaite sd'leri J=60 ve N-J=420 olur.
Adım 7 — 2-1-1 ve 2-2-1 (türetilmiş hasta düzeyi değişkenlerle). 2-1-1'de X = metformin_ort. M denkleminde \hat a=1{,}557698 (SH 1,062488, sd 58), Y denkleminde \hat b_B=0{,}091235, \hat b_W=0{,}039542; dolaylı etki a\,b_B=0{,}142117 (SH_\delta 0,104301), MC GA [−0,044959; 0,375148]. 2-2-1'de M = bmi_ort; M denklemi 60 satırlık EKK'dır (\hat a=1{,}557698, SH 1,062488, artık sd 58) ve dolaylı etki aynıdır. Üç tasarımın düzeyler arası ab'si bu veride aynı çıkar, çünkü türetilmiş X ve M tam olarak \bar X_j ve \bar M_j'dir; dengeli veride REML'in kesişimli M denklemi küme ortalamaları üzerinde EKK'ya indirgenir.
Adım 8 — Yığılmış model, rastgele a, b, c' (Bauer ve ark. 2006 verisi, ham merkezleme, UN, REML). 17 kovaryans parametresi; -2\ell_R=4252{,}269038. Sabit etkiler: \hat a=0{,}611857, \hat b=0{,}610563, \hat c'=0{,}220812. Eğim varyansları \hat\sigma^2_a=0{,}120483, \hat\sigma^2_b=0{,}111872, kovaryans \hat\sigma_{ab}=0{,}098955 (SH 0,022823).
KR (gözlenen bilgi) ve 2. derece delta ile ortalama dolaylı etkinin SH'si 0,053648, toplam etki 0,693344 (SH 0,058804). Bauer, Preacher ve Gil'in (2006) çevrimiçi ekindeki çıktı (REML, Kenward–Roger) aynı veride ortalama dolaylı etki için 0,4725322 (SH 0,0536481), toplam etki için 0,693344 (SH 0,0588041) verir; MerQur 0,4725324, 0,0536481, 0,6933441 ve 0,0588041 bulur. UCLA OARC'nin yayımladığı -2\ell_R 4252,26903780'dir. Monte Carlo GA (KR): [0,371766; 0,582015].
Ayrı denklemlerde (rastgele a ve b, ham) nedensel aracılık: ACME 0,412696, %95 GA [0,326939; 0,499056]; ADE 0,253748; aracılanan oran 0,619293 (1000 benzetim, tohum 12345). R mediate (20000 benzetim, farklı tohum) 0,411420 [0,324519; 0,505736] verir.
123.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan alınmıştır; motor değerleri yuvarlamadan sakladığı için round etkisizleştirmesine gerek olmamıştır (dogrulama/multilevel_mediation/merqur_calistir.py). Python: elle_hesap.py (kümeler için yoğun \mathbf V_j, analitik gradyan ve gözlenen Hesse ile Newton, KR'nin \mathbf P_m, \mathbf Q_{mn} toplamları; MC ve nedensel aracılık MerQur'un çekiliş düzeniyle aynı tohumla). R 4.5.3: lme4 1.1/lmerTest (Satterthwaite), pbkrtest (KR beklenen bilgi), lm (2-2-1 M denklemi), nlme (yığılmış model), mediation; kovaryans parametrelerinin SH'si R'de ayrıca yazılmış yoğun REML sapmasının numDeriv Hesse'sinden (r_dogrulama.R).
Tıp 117, 1-1-1 varsayılan:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| M: β (Kesişim) | 27,936510 | 27,936510 | 27,936510 | 5,5e−12 | ✓ |
| M: SH (Kesişim) | 1,653247 | 1,653247 | 1,653247 | 1,9e−08 | ✓ |
| M: sd (Satterthwaite) (Kesişim) | 58,000000 | 58,000000 | 58,000014 | 2,4e−07 | ✓ |
| M: β x^{W} (CWC) | 0,066569 | 0,066569 | 0,066569 | 6,2e−16 | ✓ |
| M: SH x^{W} (CWC) | 0,205052 | 0,205052 | 0,205052 | 5,5e−10 | ✓ |
| M: sd (Satterthwaite) x^{W} (CWC) | 419,000000 | 419,000000 | 418,999999 | 2,6e−09 | ✓ |
| M: β \bar x | 1,557698 | 1,557698 | 1,557698 | 6,2e−11 | ✓ |
| M: SH \bar x | 1,062488 | 1,062488 | 1,062488 | 1,9e−08 | ✓ |
| M: sd (Satterthwaite) \bar x | 58,000000 | 58,000000 | 58,000013 | 2,3e−07 | ✓ |
| M: \tau_{00} | 11,609944 | 11,609944 | 11,609944 | 3,9e−08 | ✓ |
| M: \sigma^2 | 0,892962 | 0,892962 | 0,892962 | 4,8e−09 | ✓ |
| M: SH(\tau_{00}) | 2,176654 | 2,176654 | 2,176653 | 7,8e−08 | ✓ |
| M: SH(\sigma^2) | 0,061694 | 0,061694 | 0,061694 | 6,7e−10 | ✓ |
| M: −2 REML ℓ | 1583,251396 | 1583,251396 | 1583,251396 | 8,2e−13 | ✓ |
| Y: β (Kesişim) | 4,625502 | 4,625502 | 4,625502 | 6,6e−12 | ✓ |
| Y: SH (Kesişim) | 0,757293 | 0,757293 | 0,757293 | 2,9e−09 | ✓ |
| Y: sd (Satterthwaite) (Kesişim) | 57,000000 | 57,000000 | 57,000000 | 3,0e−09 | ✓ |
| Y: β x^{W} (CWC) | −0,546819 | −0,546819 | −0,546819 | 3,3e−16 | ✓ |
| Y: SH x^{W} (CWC) | 0,065244 | 0,065244 | 0,065244 | 3,4e−11 | ✓ |
| Y: sd (Satterthwaite) x^{W} (CWC) | 417,999999 | 418,000000 | 418,000000 | 1,9e−09 | ✓ |
| Y: β m^{W} (CWC) | 0,041607 | 0,041607 | 0,041607 | 5,6e−17 | ✓ |
| Y: SH m^{W} (CWC) | 0,015542 | 0,015542 | 0,015542 | 8,0e−12 | ✓ |
| Y: sd (Satterthwaite) m^{W} (CWC) | 417,999999 | 418,000000 | 418,000000 | 1,9e−09 | ✓ |
| Y: β \bar x | 0,370410 | 0,370410 | 0,370410 | 6,9e−13 | ✓ |
| Y: SH \bar x | 0,203646 | 0,203646 | 0,203646 | 7,7e−10 | ✓ |
| Y: sd (Satterthwaite) \bar x | 57,000000 | 57,000000 | 56,999999 | 1,1e−08 | ✓ |
| Y: β \bar m | 0,091235 | 0,091235 | 0,091235 | 1,0e−12 | ✓ |
| Y: SH \bar m | 0,024714 | 0,024714 | 0,024714 | 9,3e−11 | ✓ |
| Y: sd (Satterthwaite) \bar m | 57,000000 | 57,000000 | 56,999996 | 6,9e−08 | ✓ |
| Y: \tau_{00} | 0,403931 | 0,403931 | 0,403931 | 3,2e−09 | ✓ |
| Y: \sigma^2 | 0,090382 | 0,090382 | 0,090382 | 9,3e−11 | ✓ |
| Y: SH(\tau_{00}) | 0,077783 | 0,077783 | 0,077783 | 1,1e−09 | ✓ |
| Y: SH(\sigma^2) | 0,006252 | 0,006252 | 0,006252 | 1,7e−11 | ✓ |
| Y: −2 REML ℓ | 439,843066 | 439,843066 | 439,843066 | 4,8e−13 | ✓ |
| ab (düzey içi) | 0,002770 | 0,002770 | 0,002770 | 3,0e−17 | ✓ |
| SH_\delta(ab) (düzey içi) | 0,008594 | 0,008594 | 0,008594 | 2,3e−11 | ✓ |
| Toplam etki (düzey içi) | −0,544049 | −0,544049 | −0,544049 | 3,3e−16 | ✓ |
| SH_\delta(toplam) (düzey içi) | 0,065792 | 0,065792 | 0,065792 | 3,0e−11 | ✓ |
| MC %95 GA alt, ab (düzey içi) | −0,014867 | −0,014867 | −0,015252 ¹ | 2,4e−14 | ✓ |
| MC %95 GA üst, ab (düzey içi) | 0,022130 | 0,022130 | 0,022433 ¹ | 2,1e−14 | ✓ |
| MC %95 GA alt, toplam (düzey içi) | −0,672843 | −0,672843 | −0,673487 ¹ | 3,1e−14 | ✓ |
| MC %95 GA üst, toplam (düzey içi) | −0,414167 | −0,414167 | −0,414917 ¹ | 2,9e−14 | ✓ |
| MC çekiliş p, ab (düzey içi) | 0,739100 | 0,739100 | — | 0,0e+00 | ✓ |
| MC çekiliş p, toplam (düzey içi) | 0,000000 | 0,000000 | — | 0,0e+00 | ✓ |
| ab (düzeyler arası) | 0,142117 | 0,142117 | 0,142117 | 9,7e−12 | ✓ |
| SH_\delta(ab) (düzeyler arası) | 0,104301 | 0,104301 | 0,104301 | 1,7e−09 | ✓ |
| Toplam etki (düzeyler arası) | 0,512527 | 0,512527 | 0,512527 | 9,3e−12 | ✓ |
| SH_\delta(toplam) (düzeyler arası) | 0,222231 | 0,222231 | 0,222231 | 1,4e−10 | ✓ |
| MC %95 GA alt, ab (düzeyler arası) | −0,046311 | −0,046311 | −0,046292 ¹ | 7,2e−14 | ✓ |
| MC %95 GA üst, ab (düzeyler arası) | 0,378072 | 0,378072 | 0,378492 ¹ | 3,1e−12 | ✓ |
| MC %95 GA alt, toplam (düzeyler arası) | 0,074744 | 0,074744 | 0,072998 ¹ | 1,1e−12 | ✓ |
| MC %95 GA üst, toplam (düzeyler arası) | 0,950232 | 0,950232 | 0,952597 ¹ | 2,9e−12 | ✓ |
| MC çekiliş p, ab (düzeyler arası) | 0,140800 | 0,140800 | — | 0,0e+00 | ✓ |
| MC çekiliş p, toplam (düzeyler arası) | 0,021100 | 0,021100 | — | 0,0e+00 | ✓ |
¹ R değeri MASS::mvrnorm ile 10⁶ çekilişten, bilgi amaçlıdır; MerQur ile farkı Monte Carlo hatası düzeyindedir. Ölçüt, MerQur ile aynı tohum ve aynı çekiliş düzenini kullanan bağımsız Python hesabı arasına uygulanmıştır.
Seçenek varyantları (KR, 2. derece delta, ML, 2-1-1, 2-2-1):
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| KR (beklenen): M SH_{KR} β0 | 1,653247 | 1,653247 | 1,653247 | 1,9e−08 | ✓ |
| KR (beklenen): M sd β0 | 58,000000 | 58,000000 | 58,000000 | 1,0e−11 | ✓ |
| KR (beklenen): M SH_{KR} β1 | 0,205052 | 0,205052 | 0,205052 | 5,5e−10 | ✓ |
| KR (beklenen): M sd β1 | 419,000000 | 419,000000 | 419,000000 | 9,5e−16 | ✓ |
| KR (beklenen): M SH_{KR} β2 | 1,062488 | 1,062488 | 1,062488 | 1,9e−08 | ✓ |
| KR (beklenen): M sd β2 | 58,000000 | 58,000000 | 58,000000 | 9,2e−12 | ✓ |
| KR (beklenen): Y SH_{KR} β0 | 0,757293 | 0,757293 | 0,757293 | 2,9e−09 | ✓ |
| KR (beklenen): Y sd β0 | 57,000000 | 57,000000 | 57,000000 | 8,0e−12 | ✓ |
| KR (beklenen): Y SH_{KR} β1 | 0,065244 | 0,065244 | 0,065244 | 3,4e−11 | ✓ |
| KR (beklenen): Y sd β1 | 418,000000 | 418,000000 | 418,000000 | 5,7e−15 | ✓ |
| KR (beklenen): Y SH_{KR} β2 | 0,015542 | 0,015542 | 0,015542 | 8,0e−12 | ✓ |
| KR (beklenen): Y sd β2 | 418,000000 | 418,000000 | 418,000000 | 5,2e−15 | ✓ |
| KR (beklenen): Y SH_{KR} β3 | 0,203646 | 0,203646 | 0,203646 | 7,7e−10 | ✓ |
| KR (beklenen): Y sd β3 | 57,000000 | 57,000000 | 57,000000 | 9,1e−13 | ✓ |
| KR (beklenen): Y SH_{KR} β4 | 0,024714 | 0,024714 | 0,024714 | 9,3e−11 | ✓ |
| KR (beklenen): Y sd β4 | 57,000000 | 57,000000 | 57,000000 | 6,8e−12 | ✓ |
| KR (gözlenen): M SH_{KR} β0 | 1,653247 | 1,653247 | — | 1,0e−11 | ✓ |
| KR (gözlenen): M SH_{KR} β1 | 0,205052 | 0,205052 | — | 2,3e−13 | ✓ |
| KR (gözlenen): M SH_{KR} β2 | 1,062488 | 1,062488 | — | 1,0e−11 | ✓ |
| KR (gözlenen): Y SH_{KR} β0 | 0,757293 | 0,757293 | — | 1,4e−12 | ✓ |
| KR (gözlenen): Y SH_{KR} β1 | 0,065244 | 0,065244 | — | 1,1e−14 | ✓ |
| KR (gözlenen): Y SH_{KR} β2 | 0,015542 | 0,015542 | — | 2,7e−15 | ✓ |
| KR (gözlenen): Y SH_{KR} β3 | 0,203646 | 0,203646 | — | 4,1e−14 | ✓ |
| KR (gözlenen): Y SH_{KR} β4 | 0,024714 | 0,024714 | — | 4,0e−14 | ✓ |
| 2. derece SH_\delta(ab) (düzey içi) | 0,009166 | 0,009166 | 0,009166 | 2,4e−11 | ✓ |
| 2. derece SH_\delta(ab) (düzeyler arası) | 0,107555 | 0,107555 | 0,107555 | 1,7e−09 | ✓ |
| ML: M β0 | 27,936510 | 27,936510 | 27,936510 | 8,1e−13 | ✓ |
| ML: M SH β0 | 1,625460 | 1,625460 | 1,625460 ² | 6,5e−08 | ✓ |
| ML: M β1 | 0,066569 | 0,066569 | 0,066569 | 1,5e−15 | ✓ |
| ML: M SH β1 | 0,204808 | 0,204808 | 0,204808 ² | 1,9e−09 | ✓ |
| ML: M β2 | 1,557698 | 1,557698 | 1,557698 | 1,2e−11 | ✓ |
| ML: M SH β2 | 1,044630 | 1,044630 | 1,044630 ² | 6,5e−08 | ✓ |
| ML: M \tau_{00} | 11,219491 | 11,219491 | 11,219493 ² | 1,3e−07 | ✓ |
| ML: M −2ℓ | 1584,049076 | 1584,049076 | 1584,049076 | 5,1e−13 | ✓ |
| ML: Y β0 | 4,625502 | 4,625502 | 4,625502 | 2,0e−12 | ✓ |
| ML: Y SH β0 | 0,738118 | 0,738118 | 0,738118 | 6,0e−09 | ✓ |
| ML: Y β1 | −0,546819 | −0,546819 | −0,546819 | 1,1e−16 | ✓ |
| ML: Y SH β1 | 0,065089 | 0,065089 | 0,065089 | 7,5e−11 | ✓ |
| ML: Y β2 | 0,041607 | 0,041607 | 0,041607 | 9,0e−17 | ✓ |
| ML: Y SH β2 | 0,015505 | 0,015505 | 0,015505 | 1,8e−11 | ✓ |
| ML: Y β3 | 0,370410 | 0,370410 | 0,370410 | 2,0e−12 | ✓ |
| ML: Y SH β3 | 0,198490 | 0,198490 | 0,198490 | 1,6e−09 | ✓ |
| ML: Y β4 | 0,091235 | 0,091235 | 0,091235 | 4,2e−13 | ✓ |
| ML: Y SH β4 | 0,024088 | 0,024088 | 0,024088 | 2,0e−10 | ✓ |
| ML: Y \tau_{00} | 0,383224 | 0,383224 | 0,383224 | 6,4e−09 | ✓ |
| ML: Y −2ℓ | 419,569022 | 419,569022 | 419,569022 | 5,5e−13 | ✓ |
| 2-1-1: a | 1,557698 | 1,557698 | 1,557698 | 8,0e−13 | ✓ |
| 2-1-1: SH(a) | 1,062488 | 1,062488 | 1,062488 | 5,5e−09 | ✓ |
| 2-1-1: Y β0 | 5,180886 | 5,180886 | 5,180886 | 1,0e−11 | ✓ |
| 2-1-1: Y sd β0 | 57,000000 | 57,000000 | 56,999989 | 2,0e−07 | ✓ |
| 2-1-1: Y β1 | 0,370410 | 0,370410 | 0,370410 | 2,8e−12 | ✓ |
| 2-1-1: Y sd β1 | 57,000000 | 57,000000 | 56,999988 | 2,2e−07 | ✓ |
| 2-1-1: Y β2 | 0,039542 | 0,039542 | 0,039542 | 8,3e−17 | ✓ |
| 2-1-1: Y sd β2 | 419,000001 | 419,000000 | 419,000004 | 1,0e−08 | ✓ |
| 2-1-1: Y β3 | 0,091235 | 0,091235 | 0,091235 | 1,8e−12 | ✓ |
| 2-1-1: Y sd β3 | 57,000000 | 57,000000 | 56,999989 | 2,0e−07 | ✓ |
| 2-1-1: ab | 0,142117 | 0,142117 | 0,142117 | 2,9e−12 | ✓ |
| 2-1-1: SH_\delta(ab) | 0,104301 | 0,104301 | 0,104301 | 1,5e−09 | ✓ |
| 2-1-1: SH_\delta(toplam) | 0,222231 | 0,222231 | 0,222231 | 1,3e−08 | ✓ |
| 2-1-1: MC GA alt ab | −0,044959 | −0,044959 | — | 1,0e−13 | ✓ |
| 2-1-1: MC GA üst ab | 0,375148 | 0,375148 | — | 2,0e−12 | ✓ |
| 2-2-1: a | 1,557698 | 1,557698 | 1,557698 | 1,3e−15 | ✓ |
| 2-2-1: SH(a) | 1,062488 | 1,062488 | 1,062488 | 2,3e−15 | ✓ |
| 2-2-1: Y β0 | 7,942771 | 7,942771 | 7,942771 | 2,6e−14 | ✓ |
| 2-2-1: Y sd β0 | 57,000000 | 57,000000 | 57,000000 | 2,7e−09 | ✓ |
| 2-2-1: Y β1 | 0,370410 | 0,370410 | 0,370410 | 6,6e−14 | ✓ |
| 2-2-1: Y sd β1 | 57,000000 | 57,000000 | 57,000000 | 5,1e−11 | ✓ |
| 2-2-1: Y β2 | 0,091235 | 0,091235 | 0,091235 | 6,7e−15 | ✓ |
| 2-2-1: Y sd β2 | 57,000000 | 57,000000 | 57,000000 | 1,2e−09 | ✓ |
| 2-2-1: ab | 0,142117 | 0,142117 | 0,142117 | 1,0e−14 | ✓ |
| 2-2-1: SH_\delta(ab) | 0,104301 | 0,104301 | 0,104301 | 3,0e−12 | ✓ |
| 2-2-1: SH_\delta(toplam) | 0,222231 | 0,222231 | 0,222231 | 3,8e−11 | ✓ |
| 2-2-1: MC GA alt ab | −0,044959 | −0,044959 | — | 5,3e−16 | ✓ |
| 2-2-1: MC GA üst ab | 0,375148 | 0,375148 | — | 4,7e−15 | ✓ |
² ML'de M denkleminin kesişim varyansı için MerQur 11,2194798, bağımsız Python 11,2194912 (gradyan 2·10⁻¹²), lme4 11,2194927 verir; −2ℓ üçünde 10⁻¹⁰ içinde aynıdır (olabilirlik bu yönde çok düzdür). Bu satırlarda tolerans 5·10⁻⁶'dır. KR (gözlenen bilgi) seçeneğinin R karşılığı yoktur (pbkrtest beklenen bilgiyi kullanır); başvuru, gözlenen bilgili KR tanımının bağımsız Python hesabıdır.
Yığılmış model ve nedensel aracılık (Bauer ve ark. 2006 verisi):
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| β M: kesişim | 0,093215 | 0,093215 | 0,093215 | 8,4e−12 | ✓ |
| SH M: kesişim | 0,089432 | 0,089432 | 0,089432 | 4,8e−11 | ✓ |
| sd (Satt.) M: kesişim | 99,016132 | 99,016132 | 99,016133 | 2,5e−09 | ✓ |
| β M: a | 0,611857 | 0,611857 | 0,611857 | 3,2e−11 | ✓ |
| SH M: a | 0,046495 | 0,046495 | 0,046495 | 3,0e−11 | ✓ |
| sd (Satt.) M: a | 101,263850 | 101,263850 | 101,263850 | 1,8e−10 | ✓ |
| β Y: kesişim | −0,096852 | −0,096852 | −0,096852 | 6,3e−10 | ✓ |
| SH Y: kesişim | 0,061958 | 0,061958 | 0,061958 | 3,0e−11 | ✓ |
| sd (Satt.) Y: kesişim | 98,079381 | 98,079381 | 98,079381 | 2,0e−09 | ✓ |
| β Y: c' | 0,220812 | 0,220812 | 0,220812 | 5,4e−10 | ✓ |
| SH Y: c' | 0,037247 | 0,037247 | 0,037247 | 4,2e−11 | ✓ |
| sd (Satt.) Y: c' | 71,121555 | 71,121555 | 71,121554 | 2,0e−08 | ✓ |
| β Y: b | 0,610563 | 0,610563 | 0,610563 | 7,0e−10 | ✓ |
| SH Y: b | 0,045536 | 0,045536 | 0,045536 | 5,3e−12 | ✓ |
| sd (Satt.) Y: b | 92,063999 | 92,063999 | 92,063999 | 3,2e−09 | ✓ |
| θ var M:int | 0,679434 | 0,679434 | 0,679434 | 8,1e−10 | ✓ |
| SH(θ) var M:int | 0,113179 | 0,113179 | 0,113179 | 2,6e−10 | ✓ |
| θ cov M:int M:x | 0,018161 | 0,018161 | 0,018161 | 2,4e−10 | ✓ |
| SH(θ) cov M:int M:x | 0,041087 | 0,041087 | 0,041087 | 1,6e−10 | ✓ |
| θ var M:x | 0,120483 | 0,120483 | 0,120483 | 2,7e−10 | ✓ |
| SH(θ) var M:x | 0,029316 | 0,029316 | 0,029316 | 4,2e−11 | ✓ |
| θ cov M:int Y:int | 0,056812 | 0,056812 | 0,056812 | 2,8e−09 | ✓ |
| SH(θ) cov M:int Y:int | 0,064523 | 0,064523 | 0,064523 | 5,5e−11 | ✓ |
| θ cov M:x Y:int | 0,011881 | 0,011881 | 0,011881 | 5,1e−10 | ✓ |
| SH(θ) cov M:x Y:int | 0,029211 | 0,029211 | 0,029211 | 2,5e−10 | ✓ |
| θ var Y:int | 0,270284 | 0,270284 | 0,270284 | 4,6e−10 | ✓ |
| SH(θ) var Y:int | 0,054087 | 0,054087 | 0,054087 | 1,3e−10 | ✓ |
| θ cov M:int Y:m | 0,009322 | 0,009322 | 0,009322 | 1,3e−09 | ✓ |
| SH(θ) cov M:int Y:m | 0,039004 | 0,039004 | 0,039004 | 2,7e−09 | ✓ |
| θ cov M:x Y:m | 0,098955 | 0,098955 | 0,098955 | 3,7e−11 | ✓ |
| SH(θ) cov M:x Y:m | 0,022823 | 0,022823 | 0,022823 | 4,6e−11 | ✓ |
| θ cov Y:int Y:m | −0,004284 | −0,004284 | −0,004284 | 6,2e−10 | ✓ |
| SH(θ) cov Y:int Y:m | 0,027816 | 0,027816 | 0,027816 | 1,9e−09 | ✓ |
| θ var Y:m | 0,111872 | 0,111872 | 0,111872 | 7,0e−11 | ✓ |
| SH(θ) var Y:m | 0,029141 | 0,029141 | 0,029141 | 2,5e−11 | ✓ |
| θ cov M:int Y:x | −0,006674 | −0,006674 | −0,006674 | 2,8e−10 | ✓ |
| SH(θ) cov M:int Y:x | 0,034505 | 0,034505 | 0,034505 | 3,0e−09 | ✓ |
| θ cov M:x Y:x | −0,021496 | −0,021496 | −0,021496 | 1,3e−10 | ✓ |
| SH(θ) cov M:x Y:x | 0,018848 | 0,018848 | 0,018848 | 6,1e−12 | ✓ |
| θ cov Y:int Y:x | −0,018276 | −0,018276 | −0,018276 | 5,1e−10 | ✓ |
| SH(θ) cov Y:int Y:x | 0,023330 | 0,023330 | 0,023330 | 3,4e−10 | ✓ |
| θ cov Y:m Y:x | 0,005422 | 0,005422 | 0,005422 | 2,1e−10 | ✓ |
| SH(θ) cov Y:m Y:x | 0,017884 | 0,017884 | 0,017884 | 4,0e−10 | ✓ |
| θ var Y:x | 0,032437 | 0,032437 | 0,032437 | 2,7e−10 | ✓ |
| SH(θ) var Y:x | 0,020045 | 0,020045 | 0,020045 | 2,4e−10 | ✓ |
| θ res m | 0,646731 | 0,646731 | 0,646731 | 3,4e−11 | ✓ |
| SH(θ) res m | 0,036682 | 0,036682 | 0,036682 | 4,7e−12 | ✓ |
| θ res y | 0,508965 | 0,508965 | 0,508965 | 1,0e−10 | ✓ |
| SH(θ) res y | 0,030674 | 0,030674 | 0,030674 | 2,5e−11 | ✓ |
| −2 REML ℓ | 4252,269038 | 4252,269038 | 4252,269038 | 2,0e−14 | ✓ |
| ab | 0,373577 | 0,373577 | 0,373577 | 4,1e−10 | ✓ |
| \sigma_{ab} | 0,098955 | 0,098955 | 0,098955 | 3,7e−11 | ✓ |
| SH(\sigma_{ab}) | 0,022823 | 0,022823 | 0,022823 | 4,6e−11 | ✓ |
| ab+\sigma_{ab} | 0,472532 | 0,472532 | 0,472532 | 3,7e−10 | ✓ |
| SH_\delta(ab+\sigma_{ab}) (Satt.) | 0,053279 | 0,053279 | 0,053279 | 2,9e−11 | ✓ |
| SH_\delta(toplam) (Satt.) | 0,058247 | 0,058247 | 0,058247 | 6,1e−12 | ✓ |
| Var(a_jb_j) | 0,184002 | 0,184002 | 0,184002 | 2,0e−11 | ✓ |
| SH_{KR} (gözlenen) M: kesişim | 0,089781 | 0,089781 | — | 9,4e−15 | ✓ |
| SH_{KR} (gözlenen) M: a | 0,046800 | 0,046800 | — | 6,5e−15 | ✓ |
| SH_{KR} (gözlenen) Y: kesişim | 0,062876 | 0,062876 | — | 1,4e−14 | ✓ |
| SH_{KR} (gözlenen) Y: c' | 0,038317 | 0,038317 | — | 2,7e−14 | ✓ |
| SH_{KR} (gözlenen) Y: b | 0,046281 | 0,046281 | — | 2,0e−14 | ✓ |
| SH_\delta(ab+\sigma_{ab}) (KR, 1. derece) | 0,053595 | 0,053595 | — | 1,9e−13 | ✓ |
| SH_\delta(ab+\sigma_{ab}) (KR, 2. derece) | 0,053648 | 0,053648 | — | 1,9e−13 | ✓ |
| SH_\delta(toplam) (KR, 2. derece) | 0,058804 | 0,058804 | — | 1,5e−13 | ✓ |
| MC GA alt ab (KR) | 0,283351 | 0,283351 | — | 2,1e−14 | ✓ |
| MC GA üst ab (KR) | 0,473345 | 0,473345 | — | 1,1e−14 | ✓ |
| MC GA alt \sigma_{ab} (KR) | 0,053613 | 0,053613 | — | 8,5e−13 | ✓ |
| MC GA üst \sigma_{ab} (KR) | 0,143431 | 0,143431 | — | 8,3e−13 | ✓ |
| MC GA alt ab+\sigma_{ab} (KR) | 0,371766 | 0,371766 | — | 9,7e−13 | ✓ |
| MC GA üst ab+\sigma_{ab} (KR) | 0,582014 | 0,582014 | — | 7,9e−14 | ✓ |
| MC GA alt toplam (KR) | 0,580827 | 0,580827 | — | 5,7e−13 | ✓ |
| MC GA üst toplam (KR) | 0,810397 | 0,810397 | — | 5,2e−13 | ✓ |
| ACME | 0,412696 | 0,412696 | 0,411420 ¹ | 2,2e−16 | ✓ |
| ACME GA alt | 0,326939 | 0,326939 | 0,324519 ¹ | 1,7e−16 | ✓ |
| ACME GA üst | 0,499056 | 0,499056 | 0,505736 ¹ | 3,3e−16 | ✓ |
| ADE | 0,253748 | 0,253748 | 0,255465 ¹ | 1,7e−15 | ✓ |
| ADE GA alt | 0,193196 | 0,193196 | 0,190961 ¹ | 1,7e−15 | ✓ |
| ADE GA üst | 0,322810 | 0,322810 | 0,320692 ¹ | 1,6e−15 | ✓ |
| Toplam (mediate) | 0,666444 | 0,666444 | 0,666885 ¹ | 2,0e−15 | ✓ |
| Toplam (mediate) GA alt | 0,571798 | 0,571798 | 0,569580 ¹ | 2,2e−15 | ✓ |
| Toplam (mediate) GA üst | 0,760078 | 0,760078 | 0,766533 ¹ | 1,6e−15 | ✓ |
| Aracılanan oran | 0,619293 | 0,619293 | 0,616605 ¹ | 1,8e−15 | ✓ |
| Aracılanan oran GA alt | 0,532543 | 0,532543 | 0,529133 ¹ | 1,4e−15 | ✓ |
| Aracılanan oran GA üst | 0,704643 | 0,704643 | 0,703818 ¹ | 1,6e−15 | ✓ |
R: yığılmış model nlme::lme (pdSymm, varIdent, REML) ile kestirilmiş, nlme "singular convergence" iletisiyle durduğu için R'de yazılmış yoğun REML sapması üzerinde üç Newton adımıyla inceltilmiştir; SH(θ) ve Satterthwaite sd bu sapmanın numDeriv Hesse'sinden. KR satırlarının R karşılığı yoktur; yazarların yayımladığı çıktıyla karşılaştırma metindedir. ¹ R mediation::mediate (lme4, 20000 benzetim, farklı tohum) bilgi amaçlıdır; ölçüt MerQur ile aynı tohumu kullanan bağımsız Python arasındadır.
213 satırın tümü ölçütü karşılar. ML'de M denkleminin kesişim varyansında olabilirlik çok düzdür (-2\ell geniş bir aralıkta aynıdır); MerQur bu yüzden L-BFGS-B çözümünü doğal parametrelerde Newton adımlarıyla inceltir ve kestirim bağımsız hesapla 10^{-8} içinde eşleşir.
Şekil 123.1. Tıp 117'de düzeyler arası (sol: 60 hastanın ortalamaları) ve düzey içi (sağ: hasta ortalamasından sapmalar) ilişki. Doğrular MerQur'un kestirdiği toplam etkilerdir; iki düzeyde işaret terstir.
123.7 Çıktıyı okuma
Sonuç metni (varsayılan ayarlar, Tıp 117, kısaltılmış):
MODEL
X = metformin_g_day M = bmi Y = hba1c_pct Küme = patient_id
Tasarım: 1-1-1; yaklaşım: Ayrı denklemler
Merkezleme: Küme ortalaması (CWC); küme ortalamaları eklendi: evet
Kestirim: REML; serbestlik derecesi: Satterthwaite; kovaryans yapısı: UN (yapılandırılmamış)
N = 480 gözlem, J = 60 küme (küme büyüklüğü en az 8, ortalama 8.00, en çok 8)
M DENKLEMİ (bağımlı: bmi)
metformin_g_day (küme içi merkezli) 0.0666 0.2051 419 0.325 0.7456
metformin_g_day küme ortalaması 1.5577 1.0625 58 1.466 0.1480
Var((Kesişim)) 11.6099 2.1767 5.334 <0.0001
Artık varyansı (bmi) 0.8930 0.0617 14.474 <0.0001
Y DENKLEMİ (bağımlı: hba1c_pct)
metformin_g_day (küme içi merkezli) -0.5468 0.0652 418 -8.381 <0.0001
bmi (küme içi merkezli) 0.0416 0.0155 418 2.677 0.0077
metformin_g_day küme ortalaması 0.3704 0.2036 57 1.819 0.0742
bmi küme ortalaması 0.0912 0.0247 57 3.692 0.0005
DOLAYLI, DOĞRUDAN VE TOPLAM ETKİLER (%95 GA: Monte Carlo, 20000 tekrar)
Düzey içi: a·b 0.0028 0.0086 — 0.7391† -0.0149 0.0221
Düzey içi: Doğrudan etki c' -0.5468 0.0652 -8.381 <0.0001 -0.6751 -0.4186
Düzey içi: Toplam etki -0.5440 0.0658 — <0.0001† -0.6728 -0.4142
Düzeyler arası: a·b 0.1421 0.1043 — 0.1408† -0.0463 0.3781
Düzeyler arası: Doğrudan etki c' 0.3704 0.2036 1.819 0.0742 -0.0374 0.7782
Düzeyler arası: Toplam etki 0.5125 0.2222 — 0.0211† 0.0747 0.9502
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Sabit etkiler | Kestirim, SH, sd, t, p | "küme içi merkezli" satırı düzey içi, "küme ortalaması" satırı düzeyler arası yoldur. KR seçilmişse SH düzeltilmiştir. |
| Kovaryans parametreleri | Varyans/kovaryans, SH (2\mathbf H^{-1}), z, p | Varyanslarda tek yönlü p; sınıra yakın varyansın Wald testi güvenilir değildir. |
| −2 REML LL, AIC, BIC | Uyum ölçüleri | BIC'te \log J kullanılır (_fit_lmm, 569–571); REML'de AIC/BIC yalnız aynı sabit etkili modeller arasında karşılaştırılır. |
| Yol katsayıları | a, b, c' ve düzeyler arası karşılıkları | 2-1-1'de düzey içi (b_W) ve düzeyler arası (b_B) eğimler ayrı adlarla yazılır; b_W bilgi amaçlıdır, dolaylı etki a\cdot b_B ile hesaplanır ve satırda bu yazılır. |
| Dolaylı etki tablosu | Kestirim, SH_\delta, z, p, GA (seçilen yöntem) | Karar GA'ya göre verilir. MC/bootstrap'ta dolaylı ve toplam etki satırlarının p'si çekilişlerdendir ("†"; z yazılmaz); doğrudan etki p'si t testindendir. |
| Kümeler arası a_j b_j varyansı | \operatorname{Var}(a_jb_j) ve SS | Rastgele eğim varsa aracılığın kümeler arasında ne kadar değiştiği. |
| Uyarılar | Tekil uyum, belirlenemezlik, Hesse, az küme | Tekil uyumda rastgele etki yapısı sadeleştirilmelidir. |
Uyarı koşulları: tekil uyum (göreli Cholesky köşegeni <10^{-4}, 268–271), olabilirlik sırtı (ölçekli Hesse'nin en küçük/en büyük özdeğer oranı <10^{-5}, 1386–1387; bu durumda 1'in altına düşen sd'ler kullanılmaz ve p normal yaklaşımla verilir, 668–669), \sigma_{ab}'nin SH'si hesaplanamazsa MC GA'sı verilmez (1400–1401).
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
60 hastanın sekizer vizitinde (N = 480) metformin dozunun BMI üzerinden HbA1c'ye dolaylı etkisi, küme ortalaması merkezlemeli 1-1-1 çok düzeyli aracılık modeliyle (REML, Satterthwaite sd) incelendi. Hasta içinde dozun BMI'ye etkisi anlamsızdı (a_W = 0{,}067, SH = 0,205, t(419) = 0{,}32, p = 0{,}746) ve düzey içi dolaylı etki sıfırdan ayırt edilemedi (a_Wb_W = 0{,}003, %95 Monte Carlo GA [−0,015; 0,022]); dozun HbA1c üzerindeki düzey içi doğrudan etkisi ise negatifti (c'_W = −0{,}547, t(418) = −8{,}38, p < 0{,}001). Hastalar arasında yüksek ortalama BMI daha yüksek HbA1c ile ilişkiliydi (b_B = 0{,}091, t(57) = 3{,}69, p < 0{,}001), ancak düzeyler arası dolaylı etkinin GA'sı sıfırı içerdi (a_Bb_B = 0{,}142, %95 GA [−0,046; 0,378]).
123.8 Uzman soruları
S1. Satterthwaite sd'leri neden tam sayı (58, 419) çıktı?
Dengeli (her kümede n=8) ve yalnız rastgele kesişimli CWC modelinde her sabit etkinin varyansı tek bir kareler ortalamasının katıdır: düzey içi katsayılar \hat\sigma^2'ye (N-J-p_W sd), düzeyler arası katsayılar \text{KO}_B=\hat\sigma^2/n+\hat\tau'ya (J-p_B sd) dayanır. Satterthwaite yaklaşımı bu durumda kesindir ve ANOVA sd'lerini verir. Dengesiz veride ve rastgele eğimli modellerde sd'ler kesirlidir.
S2. KR seçince SH'ler neden değişmedi?
Aynı nedenle: dengeli tek kesişimli modelde \boldsymbol\Phi varyans parametrelerinin doğrusal bir fonksiyonudur ve KR'nin yanlılık düzeltmesi (\boldsymbol\Lambda terimi) sıfırlanır. Yığılmış rastgele eğimli modelde (Adım 8) KR SH'leri belirgin biçimde büyür: b için 0,045536'dan 0,046281'e.
S3. "Kenward-Roger (beklenen)" ile "(gözlenen)" arasındaki fark nedir?
İkisi de \boldsymbol\Phi_A düzeltmesini yapar; fark, kovaryans parametrelerinin varyansı \mathbf W'nin nereden alındığıdır. pbkrtest beklenen bilgiyi, "gözlenen" seçeneği gözlenen bilgiyi (Hesse) kullanır. Tek serbestlikli testte gözlenen bilgili KR sd'si Satterthwaite ile aynıdır (123.5.3). Bauer ve arkadaşlarının yayımladığı çıktı "gözlenen" seçeneğiyle aynı sonucu verir.
S4. Ayrı denklemlerle yığılmış model arasında ab neden farklı?
Ayrı denklemlerde a ve b iki bağımsız modelden gelir ve \sigma_{ab} yok sayılır (0). Yığılmış model iki denklemin rastgele etkilerini ortak \mathbf G ile kestirir; \sigma_{ab} ve denklemler arası kesişim kovaryansları sabit etkileri de biraz değiştirir. Bauer verisinde ayrı denklemlerle (rastgele a ve b) ab=0{,}3769, yığılmışta (rastgele a, b, c') 0{,}3736; ortalama dolaylı etki ise \sigma_{ab}=0{,}0990 eklenince 0,4725 olur. \sigma_{ab} büyükse ayrı denklem yaklaşımı dolaylı etkiyi belirgin biçimde eksik kestirir; MerQur bunu notla belirtir.
S5. Tıp verisinde rastgele eğimli yığılmış model neden çalışmadı?
Çalıştı, ama sınıra düştü: dozun BMI üzerindeki eğiminin (a) hastalar arası varyansı 0,79 iken BMI'nin HbA1c üzerindeki eğiminin (b) varyansı 0,0004'tür, yani sıfıra yapışıktır. MerQur "tekil uyum" ve "Hesse pozitif tanımlı değil" uyarıları basar; kovaryans parametrelerinin SH'leri ve Satterthwaite sd'leri "—" olur, \sigma_{ab}'yi içeren MC GA'sı verilmez. Doğru davranış, veride desteği olmayan rastgele eğimleri kaldırmaktır.
S6. Düzeyler arası a_B bu bölümde 1,558, MSEM'de 1,614; hangisi doğru?
İkisi farklı nicelikleri kestirir. Burada \bar X_j gözlenen ortalamadır ve 8 vizitlik örnekleme hatası taşır; bu hata a_B'yi sıfıra doğru çeker (ölçme hatalı yordayıcı). MSEM, küme ortalamasını gizil değişken sayar ve bu yanlılığı düzeltir (Lüdtke ve ark. 2008). Metforminin ICC'si 0,767 ve n=8 olduğu için fark küçüktür; az gözlemli kümelerde ve düşük ICC'de fark büyür.
S7. Parametrik bootstrap'ta Y^* neden M^*'tan yeniden kurulan tasarımla üretiliyor?
Y denklemi M'yi (CWC'li ve küme ortalamasıyla) yordayıcı olarak içerir. M^* üretildikten sonra \tilde M^* ve \bar M^*_j yeniden hesaplanmazsa Y^*, gözlenen M'nin yapısını taşır ve dolaylı etkinin örnekleme değişkenliği eksik yansıtılır. MerQur her yinelemede tasarımı M^*'tan kurar (1099, 1116).
S8. Tek gözlemli kümeler ne yapılmalı?
Hata değildir; MerQur onları uyarıyla tutar. Düzey içi etkilere katkıları yoktur (küme içi sapmaları 0), kesişim varyansına ve düzeyler arası etkilere katkı verirler. Çok sayıda tek gözlemli küme varsa düzey içi ve düzeyler arası varyans ayrımı zayıflar.
123.9 Sık hatalar ve tuzaklar
- Ham merkezlemede tek dolaylı etkiyi yorumlamak. Ham ya da genel ortalama merkezlemede ab iki düzeyin karışımıdır; Tıp örneğinde doğrudan etkinin işareti bile düzeye göre değişir. Varsayılan CWC + ortalamalar korunmalıdır.
- 2-1-1'de b_W'yi dolaylı etkinin parçası sanmak. Dolaylı etki a\cdot b_B'dir; yol tablosundaki düzey içi M eğimi bu çarpıma girmez.
- Ayrı denklemlerde rastgele a ve b ile ortalama dolaylı etkiyi raporlamak. \sigma_{ab} kestirilmez (0 kabul edilir). Ortalama dolaylı etki için yığılmış model ve UN gerekir.
- Tekil uyum uyarısını görmezden gelmek. Sınıra düşen varyans bileşenleri SH ve sd hesabından çıkarılır; sonuçlar sadeleştirilmiş modelinkine yakındır, ama raporda daha karmaşık model anlatılmış olur.
- Az kümeyle düzeyler arası etki kestirmek. J<10'da uyarı basılır; düzeyler arası yolların sd'si J-p_B ile sınırlıdır ve GA'lar geniştir. Kenward–Roger önerilir.
- REML AIC/BIC'yi farklı sabit etkili modeller arasında karşılaştırmak. REML olabilirliği sabit etki tasarımına bağlıdır; bu karşılaştırma için ML seçilmelidir.
- Bootstrap süresini küçümsemek. Her yinelemede iki karma model yeniden kestirilir; yığılmış rastgele eğimli modelde 1000 yineleme dakikalar sürebilir. Monte Carlo genellikle yeterlidir.
123.10 Kaynaklar
- Bauer, D. J., Preacher, K. J., & Gil, K. M. (2006). Conceptualizing and testing random indirect effects and moderated mediation in multilevel models: New procedures and recommendations. Psychological Methods, 11(2), 142–163. https://doi.org/10.1037/1082-989X.11.2.142
- 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
- Enders, C. K., & Tofighi, D. (2007). Centering predictor variables in cross-sectional multilevel models: A new look at an old issue. Psychological Methods, 12(2), 121–138. https://doi.org/10.1037/1082-989X.12.2.121
- Halekoh, U., & Højsgaard, S. (2014). A Kenward-Roger approximation and parametric bootstrap methods for tests in linear mixed models: The R package pbkrtest. Journal of Statistical Software, 59(9), 1–32. https://doi.org/10.18637/jss.v059.i09
- Imai, K., Keele, L., & Tingley, D. (2010). A general approach to causal mediation analysis. Psychological Methods, 15(4), 309–334. https://doi.org/10.1037/a0020761
- Kenny, D. A., Korchmaros, J. D., & Bolger, N. (2003). Lower level mediation in multilevel models. Psychological Methods, 8(2), 115–128. https://doi.org/10.1037/1082-989X.8.2.115
- Kenward, M. G., & Roger, J. H. (1997). Small sample inference for fixed effects from restricted maximum likelihood. Biometrics, 53(3), 983–997. https://doi.org/10.2307/2533558
- Krull, J. L., & MacKinnon, D. P. (2001). Multilevel modeling of individual and group level mediated effects. Multivariate Behavioral Research, 36(2), 249–277. https://doi.org/10.1207/S15327906MBR3602_06
- 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
- Preacher, K. J., & Selig, J. P. (2012). Advantages of Monte Carlo confidence intervals for indirect effects. Communication Methods and Measures, 6(2), 77–98. https://doi.org/10.1080/19312458.2012.679848
- Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110–114. https://doi.org/10.2307/3002019
- Zhang, Z., Zyphur, M. J., & Preacher, K. J. (2009). Testing multilevel mediation using hierarchical linear models: Problems and solutions. Organizational Research Methods, 12(4), 695–719. https://doi.org/10.1177/1094428108327450