518. Modele mieszane – dlaczego przydają się przy danych zagnieżdżonych?

Lekcja 518 z 560. Moduł 26: Analizy zaawansowane.

W wielu badaniach obserwacje nie są od siebie niezależne. Kilka pomiarów może pochodzić od tego samego pacjenta, uczniowie mogą być zgrupowani w klasach, a pacjenci – w szpitalach lub poradniach. Taka struktura nazywana jest zagnieżdżeniem albo klastrowaniem. Modele mieszane są jedną z najważniejszych metod uwzględniania tej zależności.

Ich podstawowa zaleta polega na tym, że łączą dwa rodzaje składników: efekty stałe, opisujące przeciętne zależności w całej populacji, oraz efekty losowe, pozwalające modelować różnice między osobami, placówkami, klasami lub innymi jednostkami grupującymi. Dzięki temu analiza lepiej odpowiada sposobowi, w jaki dane rzeczywiście zostały zebrane. Zagadnienie to jest naturalnym rozwinięciem tematów omawianych w publicznym szkoleniu na statystyk.edu.pl, zwłaszcza regresji, analizy podłużnej i metod wielopoziomowych.

Dlaczego zwykła regresja może być niewystarczająca?

Klasyczny model regresji liniowej zakłada między innymi, że składniki losowe dla poszczególnych obserwacji są niezależne. W uproszczeniu oznacza to, że informacja o błędzie jednej obserwacji nie powinna pozwalać przewidywać błędu innej obserwacji.

Założenie to jest problematyczne, gdy dane mają strukturę zagnieżdżoną. Jeśli u jednego pacjenta wykonano pięć pomiarów ciśnienia, wyniki tych pomiarów są zwykle bardziej podobne do siebie niż wyniki pomiarów dwóch przypadkowych osób. Podobnie uczniowie z tej samej klasy mogą być podobni ze względu na nauczyciela, program nauczania i środowisko, a pacjenci z tego samego szpitala – ze względu na organizację opieki, zasoby i lokalne procedury.

Ignorowanie tej zależności prowadzi przede wszystkim do błędnego oszacowania niepewności. Współczesne obserwacje zawierają mniej niezależnej informacji, niż wynikałoby to z ich liczby. Jeżeli potraktujemy 500 pomiarów pochodzących od 100 pacjentów tak, jakby były to 500 niezależnych pomiarów, standardowe błędy mogą zostać zaniżone, a przedziały ufności – nadmiernie zwężone. W konsekwencji test może wykazać istotność statystyczną, której nie uzyskalibyśmy po prawidłowym uwzględnieniu klastrowania.

Model mieszany nie „naprawia” automatycznie każdego problemu z danymi. Pozwala jednak jawnie opisać część zależności wynikającą ze wspólnego przynależenia obserwacji do tych samych grup.

Czym są dane zagnieżdżone?

Dane są zagnieżdżone wtedy, gdy jednostki niższego poziomu należą do jednostek wyższego poziomu. Przykładowe struktury to:

  • pomiary wykonane w czasie zagnieżdżone w pacjentach;
  • pacjenci zagnieżdżeni w poradniach, oddziałach lub szpitalach;
  • uczniowie zagnieżdżeni w klasach i szkołach;
  • pracownicy zagnieżdżeni w zespołach i organizacjach;
  • mieszkańcy zagnieżdżeni w gospodarstwach domowych, dzielnicach lub gminach.

Najczęściej rozważa się dwa poziomy, ale modele mogą mieć więcej poziomów. Na przykład powtarzane pomiary mogą być zagnieżdżone w pacjentach, pacjenci w oddziałach, a oddziały w szpitalach.

Ważne jest rozróżnienie między samym uporządkowaniem danych a rzeczywistą zależnością obserwacji. Jeżeli identyfikator pacjenta występuje przy kilku wierszach tabeli, oznacza to powtarzane pomiary, lecz dopiero analiza kontekstu badania pozwala ocenić, czy wyniki są skorelowane. W praktyce założenie niezależności powinno być uzasadnione projektem badania, a nie jedynie układem pliku.

Efekty stałe i efekty losowe

Efekty stałe

Efekty stałe opisują parametry wspólne dla całej analizowanej populacji lub dla wszystkich grup, z uwzględnieniem zmienności losowej. Przykładem może być przeciętna różnica w zmianie wyniku między grupą interwencyjną a kontrolną albo przeciętny związek wieku z ciśnieniem tętniczym.

Jeżeli w badaniu analizujemy wpływ czasu i interwencji, efekt stały czasu odpowiada na pytanie: jak przeciętnie zmienia się wynik w kolejnych punktach pomiarowych? Efekt stały interwencji odpowiada na pytanie: czy grupy różnią się przeciętnie, po uwzględnieniu pozostałych zmiennych?

Efekty losowe

Efekty losowe reprezentują zróżnicowanie między jednostkami grupującymi. Nie zakładamy, że każdy pacjent, oddział albo szkoła ma dokładnie tę samą wartość początkową. Zakładamy natomiast, że różnice te pochodzą z określonego rozkładu, najczęściej rozkładu normalnego o średniej równej zero i wariancji estymowanej z danych.

Najprostszy efekt losowy to losowy wyraz wolny. Oznacza on, że każda grupa może mieć własny poziom początkowy, ale wspólny przeciętny wpływ predyktorów. Bardziej rozbudowany model może zawierać także losowe nachylenie, czyli pozwalać, aby związek wyniku z czasem różnił się między pacjentami.

Podstawowy wzór modelu mieszanego

Dla ciągłego wyniku można zapisać prosty model zagnieżdżonych obserwacji w postaci:

Yij = β0 + β1Xij + u0j + εij

Oznaczenia mają następujące znaczenie:

  • Yij – wynik i-tej obserwacji w j-tej grupie, na przykład ciśnienie pacjenta w określonym pomiarze;
  • β0 – stały wyraz wolny, czyli przeciętny poziom wyniku dla wartości referencyjnych predyktorów;
  • β1 – stały współczynnik nachylenia, opisujący przeciętną zmianę wyniku przy wzroście X o jedną jednostkę;
  • Xij – wartość predyktora dla danej obserwacji;
  • u0j – losowy wyraz wolny dla j-tej grupy, czyli odchylenie tej grupy od przeciętnego poziomu;
  • εij – błąd specyficzny dla konkretnej obserwacji.

W klasycznej wersji zakłada się, że u0j ma średnią zero i wariancję σ²u, natomiast εij ma średnią zero i wariancję σ²ε. Obserwacje należące do tej samej grupy są podobne dlatego, że współdzielą ten sam składnik u0j.

Wewnątrz grupy i między grupami

Modele mieszane pomagają rozdzielić dwa rodzaje zmienności. Zmienność wewnątrz grup opisuje różnice między obserwacjami należącymi do tej samej osoby, klasy lub placówki. Zmienność między grupami opisuje różnice między samymi osobami, klasami lub placówkami.

W modelu z losowym wyrazem wolnym często oblicza się współczynnik korelacji wewnątrzklasowej, czyli ICC:

ICC = σ²u / (σ²u + σ²ε)

ICC informuje, jaka część całkowitej wariancji wyniku wiąże się z przynależnością do grupy. Wartość bliska zeru oznacza niewielkie podobieństwo obserwacji w obrębie klastrów, a większa wartość – wyraźniejsze klastrowanie. ICC nie jest jednak prostym uniwersalnym progiem decyzyjnym. Nawet umiarkowana korelacja może mieć znaczenie, jeśli liczba obserwacji w klastrach jest duża, a ignorowanie zależności może zniekształcać błędy standardowe.

Przykład 1: powtarzane pomiary u pacjentów

Załóżmy, że 120 pacjentów z nadciśnieniem obserwowano przez sześć miesięcy. Ciśnienie skurczowe mierzono na początku badania, po jednym, trzech i sześciu miesiącach. Część pacjentów otrzymywała standardową opiekę, a część – program intensywnego monitorowania.

W danych każdy wiersz może oznaczać jeden pomiar. Pacjent pojawia się więc w kilku wierszach. Analiza zwykłą regresją liniową potraktowałaby te wiersze jak niezależne, mimo że pomiary tego samego pacjenta są powiązane między innymi przez jego stałe cechy biologiczne i styl życia.

Model mieszany może zawierać:

  • efekt stały czasu;
  • efekt stały grupy interwencji;
  • interakcję czasu z grupą;
  • losowy wyraz wolny pacjenta;
  • ewentualnie losowe nachylenie czasu.

Interakcja czasu z grupą odpowiada na pytanie, czy przeciętna trajektoria zmian różni się między grupami. Losowy wyraz wolny pozwala, aby pacjenci rozpoczynali obserwację z różnymi poziomami ciśnienia. Losowe nachylenie pozwala, aby tempo zmiany ciśnienia różniło się między pacjentami.

Jeśli model oszacuje, że średnie ciśnienie w grupie interwencyjnej obniża się szybciej niż w kontrolnej, można mówić o różnicy w przeciętnej zmianie pod warunkiem, że projekt badania i sposób przydziału do grup uzasadniają interpretację przyczynową. Sam fakt zastosowania modelu mieszanego nie dowodzi, że interwencja spowodowała obserwowaną zmianę.

Przykład 2: pacjenci zagnieżdżeni w szpitalach

W badaniu zdrowia publicznego analizuje się, czy czas oczekiwania na konsultację zależy od cech pacjenta i organizacji szpitala. Pacjenci są zagnieżdżeni w szpitalach, a każdy szpital może różnić się liczbą lekarzy, sposobem rejestracji i lokalną polityką przyjęć.

Dla ciągłego czasu oczekiwania można zastosować liniowy model mieszany z losowym wyrazem wolnym szpitala. Wtedy dwa szpitale o identycznych wartościach predyktorów indywidualnych mogą mieć różne przeciętne poziomy czasu oczekiwania. Efekt stały wieku lub pilności zgłoszenia opisuje zależność na poziomie pacjenta, natomiast wariancja efektu losowego szpitala opisuje niezjaśnione różnice między placówkami.

Jeżeli wynik jest binarny, na przykład „czy pacjent został przyjęty w ciągu czterech godzin”, można użyć uogólnionego liniowego modelu mieszanego, zwykle logistycznego. Wówczas model działa na skali logitów, a współczynniki można po przekształceniu interpretować jako ilorazy szans. Interpretacja w modelach logistycznych wymaga ostrożności, ponieważ efekt zależy od skali, poziomu grupowania i sposobu uśredniania. Szczegółowe problemy interpretacyjne omawiają Austin i Merlo (2017).

Model liniowy czy uogólniony liniowy model mieszany?

Wybór modelu zależy przede wszystkim od typu zmiennej zależnej:

  • dla wyniku ciągłego, w przybliżeniu zgodnego z założeniami modelu liniowego, stosuje się liniowy model mieszany;
  • dla wyniku binarnego stosuje się najczęściej logistyczny model mieszany;
  • dla liczby zdarzeń można rozważyć model Poissona lub ujemno-dwumianowy z efektami losowymi;
  • dla innych typów wyników potrzebne są odpowiednie modele z właściwą funkcją łączącą i rozkładem.

W modelu liniowym parametry opisują bezpośrednio zmianę średniej wartości wyniku. W GLMM parametry często opisują zmianę na skali logitów, logarytmów lub innej skali wynikającej z funkcji łączącej. Nie należy automatycznie przenosić intuicji z regresji liniowej na modele logistyczne.

Jak budować model w praktyce?

  1. Określ jednostkę analizy i strukturę zagnieżdżenia. Ustal, co oznacza jeden wiersz oraz jaki identyfikator wskazuje grupę.
  2. Zdefiniuj pytanie badawcze. Zdecyduj, które efekty mają być interpretowane jako główne, a które pełnią funkcję kontrolną.
  3. Wybierz rozkład i funkcję łączącą. Dopasuj model do typu wyniku, a nie do wygody obliczeń.
  4. Rozważ strukturę efektów losowych. Zacznij od modelu uzasadnionego projektem, na przykład z losowym wyrazem wolnym dla pacjenta.
  5. Oceń dopasowanie i stabilność. Sprawdź zbieżność algorytmu, wariancje efektów losowych, reszty, obserwacje wpływowe i sensowność założeń.
  6. Raportuj wielkość efektu i niepewność. Podaj oszacowania, przedziały ufności, liczbę grup, liczbę obserwacji na grupę oraz sposób estymacji.

W modelach liniowych często porównuje się estymację największej wiarygodności oraz REML. REML jest użyteczny przy estymacji komponentów wariancji, ale porównywanie modeli o różnych efektach stałych wymaga szczególnej ostrożności i zwykle stosowania porównywalnego kryterium. Szczegóły techniczne opisują McCulloch, Searle i Neuhaus (2008) oraz Bates i współautorzy (2015).

Najczęstsze błędy

  • Traktowanie wszystkich wierszy jako niezależnych. Powtarzane pomiary lub wspólna placówka wymagają rozważenia zależności.
  • Używanie modelu mieszanego bez uzasadnienia struktury. Sam fakt, że program statystyczny umożliwia dodanie efektu losowego, nie jest argumentem metodologicznym.
  • Mylenie efektu losowego z losowaniem uczestników. „Losowy” odnosi się do sposobu modelowania zmienności między grupami, a niekoniecznie do procedury doboru próby.
  • Wnioskowanie na podstawie zbyt małej liczby klastrów. Estymacja wariancji efektów losowych przy kilku grupach może być niestabilna; liczba klastrów powinna być raportowana i uwzględniona w ocenie wiarygodności wyników.
  • Dodawanie losowych nachyleń bez sprawdzenia identyfikowalności. Złożona struktura może prowadzić do problemów ze zbieżnością lub oszacowaniem wariancji bliskiej zeru.
  • Interpretowanie p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p nie jest takim prawdopodobieństwem. Trzeba osobno omówić istotność statystyczną, wielkość efektu i znaczenie praktyczne.
  • Używanie języka przyczynowego bez odpowiedniego projektu. Model mieszany kontroluje zależność obserwacji, ale nie zastępuje randomizacji ani poprawnego planu quasi-eksperymentalnego.
  • Pomijanie braków danych. Modele mieszane mogą wykorzystywać niepełne serie pomiarów, lecz nie oznacza to, że braki są zawsze nieproblematyczne. Mechanizm braków danych musi zostać rozważony.

Przykład praktyczny: interpretacja prostego modelu

Wyobraźmy sobie model oceniający zmianę wyniku depresji w czterech pomiarach. Czas zapisano w tygodniach, a grupę interwencyjną zakodowano jako 1, kontrolną jako 0. Model zawiera stały wyraz wolny, czas, grupę, interakcję czasu z grupą oraz losowy wyraz wolny pacjenta.

Jeżeli współczynnik czasu wynosi -0,40, oznacza to, że w grupie referencyjnej przeciętny wynik zmniejsza się o 0,40 punktu na tydzień, przy pozostałych warunkach modelu. Jeżeli współczynnik interakcji czas × grupa wynosi -0,25, przeciętne tempo zmiany w grupie interwencyjnej jest dodatkowo niższe o 0,25 punktu na tydzień. Łączne nachylenie dla grupy interwencyjnej wynosi więc -0,65 punktu na tydzień.

Nie należy jednak interpretować tego wyniku bez przedziału ufności, informacji o skali klinicznej oraz oceny, czy różnica przekracza wcześniej określony próg istotności praktycznej. Jeśli minimalna ważna klinicznie zmiana wynosi 3 punkty, efekt statystycznie istotny może być zbyt mały, aby uznać go za ważny dla pacjenta.

Co warto zapamiętać?

  • Dane zagnieżdżone zawierają obserwacje należące do wspólnych grup, dlatego często nie są niezależne.
  • Modele mieszane łączą efekty stałe, opisujące przeciętne zależności, z efektami losowymi, opisującymi zmienność między grupami.
  • Losowy wyraz wolny pozwala grupom różnić się poziomem początkowym, a losowe nachylenie – tempem zmian.
  • Model powinien wynikać z projektu badania, pytania naukowego i typu zmiennej zależnej.
  • ICC pomaga opisać podobieństwo obserwacji w klastrach, lecz nie jest jedynym kryterium wyboru modelu.
  • Poprawna analiza wymaga raportowania struktury danych, liczby grup, liczby obserwacji oraz niepewności oszacowań.
  • Model mieszany nie daje automatycznie interpretacji przyczynowej i nie zastępuje oceny jakości projektu badania.

Modele mieszane są szczególnie przydatne wtedy, gdy rzeczywista organizacja badania ma charakter hierarchiczny lub podłużny. Ich zastosowanie pozwala nie tylko uzyskać poprawniejsze błędy standardowe, lecz także odpowiedzieć na pytania o to, jak bardzo różnią się pacjenci, placówki, klasy lub inne jednostki, w których powstają dane.

Źródła i dalsza lektura

  1. Nan M. Laird; James H. Ware (1982). Random-Effects Models for Longitudinal Data. Biometrics, 38(4), 963–974. DOI: 10.2307/2529876.
  2. Douglas Bates; Martin Mächler; Benjamin M. Bolker; Steven C. Walker (2015). Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software, 67(1), 1–48. DOI: 10.18637/jss.v067.i01.
  3. Peter C. Austin; Juan Merlo (2017). Intermediate and advanced topics in multilevel logistic regression analysis. Statistics in Medicine, 36(20), 3257–3277. DOI: 10.1002/sim.7336.
  4. Charles E. McCulloch; Shayle R. Searle; John M. Neuhaus (2008). Generalized, Linear, and Mixed Models. 2nd edition. John Wiley & Sons. Informacja wydawcy / źródło.
  5. John M. Neuhaus; James D. Kalbfleisch; W. N. Hauck (1991). A comparison of cluster-specific and population-averaged approaches to the analysis of clustered data. International Statistical Review, 59(1), 25–35. DOI: 10.2307/1403572.
  6. Peter C. Austin (2017). A tutorial on multilevel survival analysis: methods, models and applications. International Statistical Review, 85(2), 185–203. DOI: 10.1111/insr.12214.

Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.

Podobne wpisy

2 komentarze

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *