İstatistik Sözlüğü → Çapraz Karma Model
Çapraz Karma Modelanaliz
İki faktörün birbiriyle çaprazlandığı (her işçinin her makinede çalıştığı, her jüri üyesinin her sunumu puanladığı) tasarımlarda sonuçtaki değişkenliği iki faktöre, etkileşimlerine ve hataya ayıran ve ölçümün güvenirliğini değerlendiren karma model.
Kavram
Çapraz tasarımda bir faktörün her düzeyi diğer faktörün her düzeyiyle birlikte görülür: altı işçinin her biri üç makinenin her birinde çalışır ya da her jüri üyesi her öğrencinin sunumunu puanlar. Bu durumda iki faktör de sonucu etkiler ve ayrıca birbirleriyle etkileşebilir; bazı işçiler belirli bir makinede özellikle iyi olabilir. Çapraz karma model bu kaynakları ayrı ayrı ölçer.
Model y = A + B + A×B + e biçimindedir. Faktörlerden biri ya da ikisi rastgele olabilir: düzeyler daha geniş bir evrenden örnekse (rastgele seçilmiş işçiler) rastgele, ilgilenilen düzeylerin tümüyse (karşılaştırılmak istenen üç makine) sabit sayılır. Beklenen kareler ortalaması (EMS) hangi etkinin hangi terime karşı sınanacağını belirler; örneğin iki faktör de rastgeleyse ana etkiler hataya değil etkileşim terimine karşı sınanır. REML her kaynağın varyans bileşenini kestirir. Genellenebilirlik çalışması (G-çalışması) bu bileşenlerden, bir faktörün düzeylerinin diğer faktörün düzeyleri üzerinden ortalandığında ne kadar güvenilir ayırt edilebildiğini gösteren katsayılar hesaplar.
A×B etkileşiminin hatadan ayrılabilmesi için her hücrede birden fazla gözlem gerekir; her işçi-makine birleşimi yalnız bir kez ölçüldüyse etkileşim hatayla karışır. Rastgele bir faktörün düzey sayısı azsa (ör. 3 çeşit) varyansı çok belirsiz kestirilir. Dengesiz verilerde EMS testleri yaklaşıktır; REML sonuçları esas alınmalıdır.
Ne zaman kullanılır?
- İki gruplama faktörü birbiriyle çaprazlanmışsa ve her birinin, etkileşimlerinin ve hatanın değişkenliğe katkısı ayrıştırılmak isteniyorsa (işçi × makine, değerlendirici × öğrenci, aile × cinsiyet).
- Bir puanlama ya da ölçüm sürecinin güvenirliğini değerlendirmek isteniyorsa genellenebilirlik çalışması bu modelle yapılır; yalnız değerlendiriciler arası uyum isteniyorsa sınıf içi korelasyon (ICC) da kullanılabilir.
- Faktörler çapraz değil iç içeyse iç içe karma model; iki faktör de sabitse klasik iki yönlü ANOVA kullanılır.
Gündelik bir örnek
Bir fabrika, üç makine tipinden hangisinin daha verimli olduğunu anlamak istiyor. Rastgele seçilen altı işçinin her biri her makinede üç vardiya çalışıyor ve saatlik üretim kaydediliyor. Çapraz karma model, üretimdeki farkları makineye, işçiye, işçi × makine etkileşimine ve vardiyadan vardiyaya değişen hataya ayırır. Etkileşim büyükse bazı işçiler belirli makinelerde belirgin biçimde daha iyi çalışıyor demektir; bu durumda makine farkı, etkileşime karşı sınanır ve sonuç yalnız bu altı işçi için değil, fabrikadaki işçiler için genellenebilir.
MerQur'da parametreler
Değişken seçimi: Bağımlı değişken (DV), Faktör A, Faktör B
Kavram: Bağımlı değişkeni ve birbiriyle çaprazlanmış iki faktörü seçer. Her hücrede ortalama en az iki gözlem varsa A×B etkileşimi ayrı bir terim olarak kestirilir; tek gözlem varsa etkileşim hatadan ayrılamaz.
Gündelik örnek: Fabrika örneğinde bağımlı değişken saatlik üretim, faktörler makine ve işçidir. Her işçi her makinede üç vardiya çalıştığı için işçi × makine etkileşimi vardiyadan vardiyaya değişen hatadan ayrılabilir; tek vardiya olsaydı ayrılamazdı.
Ne işe yarar: y = A + B + A×B + e modelini kurar. Hücre başına ortalama gözlem sayısı 2 veya daha fazlaysa A×B ayrı terimdir; değilse hatayla karışıktır ve uyarı verilir (Penicillin).
Sonuca etkisi: Tüm tabloları belirler.
Doğrulama verisinde: Machines Tip I SS: makine 1755.263, işçi 1241.895, A×B 426.530, hata 33.287 (36 sd). Dengesiz çapraz deneme verisinde (52.8) Tip I ve Tip III SS'ler ayrı ayrı verilir.
Faktör A tipi / Faktör B tipi (Random (rastgele örnek) / Fixed (sabit / müdahale))
Kavram: Her faktörün rastgele mi sabit mi sayılacağını belirler. Rastgele faktörün düzeyleri bir evrenden örnektir ve sonuç o evrene genellenir; sabit faktörün düzeyleri ilgilenilen düzeylerin tümüdür. Seçim, F testlerinin paydasını ve varyans bileşenlerini değiştirir.
Gündelik örnek: Üç makine tipi fabrikanın satın almayı düşündüğü makinelerin tamamıysa makine sabittir. Altı işçi tüm çalışanlar arasından rastgele seçildiyse işçi rastgeledir; böylece sonuç 'bu altı kişi için' değil, 'fabrikanın işçileri için' geçerli olur.
Ne işe yarar: Faktör düzeylerinin bir evrenden rastgele örnek mi yoksa ilgilenilen tüm düzeyler mi olduğunu belirler; EMS hata terimlerini ve REML modelindeki yeri belirler. İkisi birden sabit seçilemez (klasik İki Yönlü ANOVA önerilir).
Sonuca etkisi: F payda terimlerini, REML bileşenlerini ve G-çalışması katsayılarını değiştirir.
Doğrulama verisinde: Machines, ikisi rastgele: makine F = 20.576, işçi F = 5.823 (MS_AB'ye karşı); REML σ² makine 46.39, işçi 22.86, A×B 13.91, e 0.925; Eρ² = 0.951, Φ = 0.882.
SS yöntemi (Type I (sequential) / Type III (partial - dengesiz tasarım için))
Kavram: Kareler toplamının nasıl bölüneceğini belirler. Tip I terimleri sırayla ekler, Tip III her terimin diğer tüm terimler modeldeyken katkısını ölçer. Dengeli veride ikisi aynıdır.
Gündelik örnek: Her işçi her makinede tam üç vardiya çalıştıysa iki yöntem aynı sonucu verir. Bazı vardiyalar kayıtlara geçmediyse sonuçlar farklılaşır ve Tip III tercih edilir.
Ne işe yarar: Ardışık (Tip I) ya da kısmi (Tip III) kareler toplamı.
Sonuca etkisi: Yalnızca dengesiz veride sonucu değiştirir.
Doğrulama verisinde: Dengeli Machines'te Tip I ve Tip III aynıdır. Dengesiz 52.8 verisinde makine F: Tip I 20.388, Tip III 15.312; heights'ta Family F 1.643 -> 2.045.
EMS modeli (karma tasarım) (Kısıtlanmamış (varsayılan; SPSS/SAS) / Kısıtlı (Cornfield-Tukey); yalnız bir faktör sabit, biri rastgeleyken)
Kavram: Bir faktör sabit, diğeri rastgeleyken rastgele ana etkinin nasıl sınanacağına ilişkin iki kuramsal yaklaşımdır. Kısıtlanmamış modelde rastgele etki etkileşime karşı, kısıtlı modelde hataya karşı sınanır; sabit faktör her ikisinde de etkileşime karşı sınanır.
Gündelik örnek: Makine sabit, işçi rastgeleyken 'işçiler birbirinden farklı mı?' testi kısıtlı modelde çok daha büyük bir F verebilir. Hangi yaklaşımın kullanıldığı raporda belirtilmelidir; birçok yaygın yazılım kısıtlanmamış modeli kullanır.
Ne işe yarar: Kısıtlanmamış modelde rastgele ana etkinin EMS'i σ²_AB içerir, payda MS_AB'dir; kısıtlı modelde içermez, payda MS_e'dir. Sabit faktör her ikisinde MS_AB'ye karşı sınanır.
Sonuca etkisi: Rastgele ana etkinin F'ini değiştirir. İki faktör de rastgeleyken alan devre dışıdır.
Doğrulama verisinde: İşçi F: 5.823 (kısıtlanmamış) -> 268.625 (kısıtlı). Heights Tip III kısıtlı: Family F = 5.901, A×B F = 2.885.
Kovaryatlar (REML modeli)
Kavram: Varyans bileşenlerini kestiren REML modeline sayısal bir sabit etki ekler; sonucu etkileyen ama faktör olmayan bir değişkenin etkisini ayıklar.
Gündelik örnek: Vardiyalardaki ortam sıcaklığı üretimi etkiliyorsa sıcaklık kovaryat olarak eklenir. Sıcaklığın açıkladığı kısım artık varyanstan çıkar ve işçi ile makine bileşenleri daha net görünür.
Ne işe yarar: Yalnızca REML çapraz modele sayısal sabit etki olarak eklenir; EMS tablosu kovaryatsız kalır.
Sonuca etkisi: REML bileşenlerini ve sabit etkileri değiştirir; EMS tablosunu ve G-çalışması katsayılarını değiştirmez.
Doğrulama verisinde: Oats'ta azot eklenince σ²(Variety x Block) 19.26 -> 108.94, σ²(e) 524.28 -> 165.56; azot katsayısı 73.667 (SE 6.781, sd 53). Eρ² = 0.327 aynı kalır.
Sabit faktör karşılaştırmaları ((yok) / Tukey HSD / Bonferroni / Šidák / Düzeltmesiz (LSD))
Kavram: Sabit faktörün düzey ortalamalarını ikişer ikişer, o faktörün F testinde kullanılan hata terimiyle karşılaştırır; çoklu karşılaştırma düzeltmesi yanlış alarm riskini sınırlar.
Gündelik örnek: Üç makine için üç ikili karşılaştırma yapılır. İşçi rastgele olduğu için bu karşılaştırmalar işçi × makine etkileşimine dayanır; makine farkları işçiden işçiye çok değişiyorsa yalnız büyük farklar anlamlı çıkar.
Ne işe yarar: Sabit faktör düzey ortalamalarının ikili farkını o faktörün F testindeki hata terimiyle (A sabit, B rastgele ise MS_AB, sd_AB) sınar; harf grupları üretir.
Sonuca etkisi: Yalnızca karşılaştırma tablosunu değiştirir. İki faktör de rastgeleyken atlanır ve uyarı verir. Dengesiz veride ham ortalamalar kullanılır ve uyarı yazılır.
Doğrulama verisinde: Machines A - B farkı -7.967, SE 2.177, t(10) = -3.660, p = 0.00439; Tukey 0.01114, Bonferroni 0.01318, Šidák 0.01312.
Güven Düzeyi (%90 / %95 / %99 / Diğer (özel))
Kavram: Düzey ortalamaları ve varyans bileşenleri için verilen aralıkların güven düzeyini belirler; güven düzeyi arttıkça aralık genişler.
Gündelik örnek: C makinesinin ortalama saatlik üretimi %95 güvenle 64 ile 68 parça arasında bulunabilir; %99 güven istenirse aralık genişler.
Ne işe yarar: A ve B düzey ortalamalarının t aralığını ve REML varyans bileşenlerinin log-Wald aralığını belirler.
Sonuca etkisi: Yalnız aralık uçlarını değiştirir.
Doğrulama verisinde: Makine C ortalaması 66.272: %95 [64.186, 68.358]; %90 [64.552, 67.992]; %99 [63.407, 69.138].
REML bölümü (her koşuda)
Kavram: REML ile her değişkenlik kaynağının (A, B, A×B, hata) varyans bileşenini ve belirsizliğini verir. Bu bileşenler toplam değişkenliğin ne kadarının hangi kaynaktan geldiğini gösterir ve genellenebilirlik katsayılarının hesabında kullanılır.
Gündelik örnek: Bileşenler örneğin üretim farklarının %55'inin makineden, %25'inin işçiden, %15'inin işçi × makine uyumundan ve %5'inin vardiyadan vardiyaya değişkenlikten geldiğini gösterebilir.
Ne işe yarar: σ² bileşenleri, standart hata, Wald Z, log-Wald aralığı, sabit etkiler (Satterthwaite sd) ve AIC/BIC verir.
Sonuca etkisi: Her koşuda EMS tablosunun yanında verilir; seçenekten bağımsızdır.
Doğrulama verisinde: Yayımlı değerlerle aynıdır: Penicillin plaka 0.71691, örnek 3.73097, e 0.30241 (REML ölçütü 330.9); heights Family 2.4010, F x G 1.7657, e 2.1668 (-2RLL 71.0).
EMMEANS faktörü ((yok) / Faktör A / Faktör B) ve EMMEANS p düzeltmesi (Bonferroni / Šidák / Tukey / Düzeltme yok)
Kavram: Kestirilmiş marjinal ortalamalar, modelden hesaplanan ve diğer etkiler dengelenmiş düzey ortalamalarıdır; yalnız sabit faktör için verilir. İkili karşılaştırmalar çoklu karşılaştırma düzeltmesiyle yapılır.
Gündelik örnek: Bazı işçilerin bazı makinelerdeki vardiyaları eksikse ham makine ortalamaları hangi işçilerin hangi makinede daha çok çalıştığına göre sapabilir. Kestirilmiş marjinal ortalama bu dengesizliği düzeltir.
Ne işe yarar: Seçilen faktör sabitse REML çapraz modelinden kestirilmiş marjinal ortalamaları ve ikili karşılaştırmaları Satterthwaite sd ile hesaplar. Faktör rastgeleyse EMM verilmez.
Sonuca etkisi: Yalnız EMM ve ikili karşılaştırma tabloları eklenir; EMS tablosu, F testleri, REML bileşenleri ve G-çalışması değişmez. Düzeltme yalnız ikili p değerlerini değiştirir.
Doğrulama verisinde: Bağımsız çapraz deneme verisinde (A sabit, B rastgele) EMM, SE, sd ve Bonferroni düzeltmeli p değerleri verilir.
Gerçek veride örnek
Veri: Yates 1935 yulaf denemesi, nlme Oats
Değişkenler: bağımlı yield (verim), faktör A Variety (çeşit), faktör B Block (blok), ikisi de rastgele
- Soru: Yulaf verimi (yield), rastgele örneklenmiş çeşitler (Variety, 3) ve bloklar (Block, 6) arasında ne kadar değişir? İki faktör çaprazlanmış ve ikisi de rastgele kabul edilmiştir.
- Varsayım: Rastgele çeşit varyansı 2 serbestlik derecesiyle kestirildiğinden çok belirsizdir (SE = 38.87); veride bulunan azot dozu (nitro) bu modelde yer almadığından artık varyans büyüktür.
- Sonuç: EMS'ye göre ana etkiler etkileşim kareler ortalamasına karşı sınanır: çeşit etkisi anlamsız (F(2, 10) = 1.49, p = .272), blok etkisi anlamlı (F(5, 10) = 5.28, p = .012); çeşit x blok etkileşimi anlamsız (F(10, 54) = 1.15, p = .346). Çeşit ortalamaları Marvellous 109.79, Golden Rain 104.50, Victory 97.63.
- Etki büyüklüğü: σ² çeşit = 12.16 (ICC .016), σ² blok = 214.48 (.278), σ² çeşit x blok = 19.26 (.025), σ² hata = 524.28 (.681). G-çalışmasında göreli Eρ² = 0.327, mutlak Φ = 0.167; 6 blokla çeşitler güvenilir biçimde ayrıştırılamaz.
- APA: Blok F(5, 10) = 5.28, p = .012; çeşit F(2, 10) = 1.49, p = .272; σ²_blok = 214.48, σ²_hata = 524.28.
İlgili kavramlar
F testiBeklenen kareler ortalaması (EMS)Kısıtlı en çok olabilirlik (REML)Varyans bileşenleriSabit ve rastgele etkilerTahmini marjinal ortalamalar (EMM)İç içe (yuvalanmış) ve çapraz rastgele etkilerKareler toplamı tipleri (Tip I, II, III)
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.