Multilevel Modeller med krydsede Tilfældige effekter

De fleste forskere ved nu at bruge Mixed Models, hvor observationerne er grupperet. Eksempler omfatter undersøgelser, hvor patienterne deler samme læge, planterne vokser i samme område, eller flere svar observeres fra samme studie deltager. Observationerne på niveau 1 (patient, plante, respons) er grupperet på niveau 2 (læge, felt, eller deltager), generelt gør dem korreleret.

I disse modeller, niveau 2 klynge er ofte ikke af interesse . Alligevel skal kontrolleres for dens virkninger. Hvis forskeren ønsker at generalisere resultaterne til alle læger, marker, eller deltagere, disse klyngedannelse variabler er tilfældige effekter.

observationer af den afhængige variabel er altid måles på niveau 1 (patienten, plante, eller tidspunkt). Kan måles forudsigelsesvariable (faste virkninger) på enten niveau 1 eller niveau 2. For eksempel ville antallet af års erfaring med en læge være på niveau 2, men patientens alder ville blive målt på niveau 1. De bemærkninger inden klynge antages at være korreleret, men observationerne mellem klyngerne antages at være uafhængige.

I en slags 2-niveau model, er der ikke en tilfældig effekt på niveau 2, men to krydsede effekter. Hver observation på niveau 1 er indlejret i kombinationen af ​​disse to tilfældige effekter. Disse modeller har brug for særlig opmærksomhed for at fange både tilfældige effekter på niveau 2.

Her er de samme eksempler med krydsede tilfældige effekter:

Eksempel 1: Enhver patient (niveau 1) ser deres læge (Random Effect på niveau 2) i den ene af fire Hospitaler (tilfældig effekt på niveau 2) for en undersøgelse, der sammenligner et nyt lægemiddel behandling for diabetes til en gammel en. Hver lægen ser patienter i hver af de fire hospitaler. Patient reaktioner varierer på tværs af læger og hospitaler. Fordi hver Patient ser en enkelt læge på et enkelt hospital, er patienterne indlejret i kombinationen af ​​Læge og Hospital. Den reaktion måles på niveau 1 - patienten. Prædiktorer kan forekomme på niveau 1 (alder, kost), eller begge Niveau 2 effekt (års praksis ved læge, størrelse hospital)

Eksempel 2:. En landbrugs undersøgelse studerer planter i 6 felter. Mens der er mange arter af planter i hvert felt, forskeren tilfældigt vælger 5 arter til at studere. Hver enkelt plante (niveau 1) ligger inden for en kombination af arter og felt. Men da alle arter er på alle områder, arter og Field krydses på niveau 2. respons måles ved niveau 1 - anlægget, og prædiktorer kan forekomme på enten niveau 1 (højde anlæg) eller enten Niveau 2 effekt (gødning anvendt på marken, uanset arten er hjemmehørende eller indføres)

Eksempel 3:. I et psykologisk eksperiment, bliver emner bedt om at vurdere udsagn, der beskriver adfærd udført af en fiktiv person Bob. På hvert forsøg, fag sats hvorvidt Bob var venligt og responstiden for ratingen registreres. Hvert emne ser de samme 10 venlige og 10 uvenlige adfærd. Den adfærd ikke i sig selv af interesse for forsøgslederen, men er repræsentative for alle venlige og uvenlige adfærd, Bob kunne udføre. Fordi reaktioner på samme adfærd tendens til at være ens, er det nødvendigt at kontrollere for deres virkninger. Hvert forsøg af forsøget (niveau 1) er indlejret både i Emne og Behavior, som begge er tilfældige effekter på niveau 2. Emne og Behavior er krydset på niveau 2, da hvert emne satser hver Behavior. Svaret er målt på niveau 1 - retssagen, og prædiktorer kan forekomme på enten niveau 1 (opstår et distraktør på nogle forsøg) eller EI ther Niveau 2 effekt (Behavior er venlige eller ej, Emne sættes i positiv, neutral eller negativ stemning).

Heldigvis specificere en krydset tilfældige effekter model kan nemt gøres i standard blandet modellering procedurer, såsom SAS Proc Mixed eller SPSS Blandet. Det skal gøres med omhu, men fordi ligesom de fleste blandede modeller, angive en Crossed Tilfældige effekter model korrekt, kan være en vanskelig opgave
.