Modele statistique mixte

Modele statistique mixte

s`adapte aux modèles linéaires mixtes généralisés par des techniques basées sur la probabilité. Comme dans la procédure mixte, les structures de covariance sont modélisées de façon paramétrique. La procédure GLIMMIX a également des capacités intégrées pour le lissage de modèle mixte et la modélisation conjointe des données multivariées hétéroocatanomiques. Nous pourrions également encadrer notre modèle dans une équation de deux niveaux de style pour le (i )-th patient pour le (j )-th médecin. Là, nous travaillons avec des variables que nous subscripte plutôt que des vecteurs comme avant. L`équation de niveau 1 ajoute des indices aux paramètres (beta) s pour indiquer le médecin auquel ils appartiennent. En se tournant vers les équations de niveau 2, nous pouvons voir que chaque estimation (beta) pour un médecin particulier, (beta_{PJ}), peut être représentée comme une combinaison d`une estimation moyenne pour ce paramètre, (gamma_{P0}), et un effet aléatoire pour ce médecin, ( (U_ {PJ} )). Dans ce modèle particulier, nous voyons que seule l`interception ( (beta_{0J})) est autorisée à varier d`un médecin à l`autre, car il s`agit de la seule équation avec un terme d`effet aléatoire ( (U_ {0J} )). L`autre (beta_{PJ}) est constante entre les médecins. Les modèles mixtes sont particulièrement utiles dans les études médicales où une grande variété de facteurs influencent la réponse à un traitement d`intérêt. Par exemple, supposons qu`un traitement expérimental soit administré à un groupe de patients désireux de perdre du poids. Les méthodologies statistiques traditionnelles (par exemple, ANOVA, régression multiple, etc.) exigent que les traitements soient administrés en même temps pour tous les patients du groupe afin que l`analyse statistique et les conclusions soient exactes.

Que se passerait-il si les patients n`étaient pas tous en mesure de recevoir le traitement au même intervalle de temps ou si certains patients manquaient certains traitements? Les approches statistiques traditionnelles ne seraient plus valides puisqu`il y a des événements aléatoires ou des composants entrant dans l`expérience. C`est là que les techniques des modèles mixtes deviennent utiles. Un modèle mixte nous permettrait de faire des déductions sur le traitement en modelant et en estimant les composants aléatoires. En outre, les modèles mixtes nous permettent d`utiliser davantage de données incomplètes, telles que celles obtenues auprès de patients qui abandonnent ou manquent des traitements programmés. Les méthodes traditionnelles excluraient ces individus de l`analyse, perdant de précieuses informations. Les conceptions typiques qui sont analysées avec la procédure des modèles mixtes – mesures répétées sont comme le nom de la procédure implique, cette procédure doit être utilisée lorsqu`il n`y a qu`une seule mesure par sujet. Bien que les mêmes résultats puissent être obtenus à l`aide des modèles mixtes – procédure générale, la procédure «modèles mixtes – aucune mesure répétée» a été développée pour éviter la complexité inutile des spécifications lorsqu`il n`y a pas de mesures répétées. Ronald Fisher a introduit des modèles d`effets aléatoires pour étudier les corrélations des valeurs de trait entre les parents. Dans les années 1950, Charles Roy Henderson fournit les meilleures estimations linéaires impartiales (BLUE) des effets fixes et les meilleures prédictions non biaisées linéaires (BLUP) d`effets aléatoires [2].

3 4 5 [6] par la suite, la modélisation mixte est devenue un domaine important de la recherche statistique, y compris le travail sur le calcul des estimations de probabilité maximale, les modèles non linéaires d`effets mixtes, les données manquantes dans les modèles à effets mixtes et l`estimation bayésienne des effets mixtes Modèles.

Posted ByadminOnfebrero 20,2019

admin