Comment signaler un modèle linéaire à effets mixtes pour ceux qui ne sont pas familiers et sceptiques?

J'ai rencontré ce problème à plusieurs reprises maintenant, avec des examinateurs demandant plus de justification pour l'utilisation des LMM, des tests traditionnels au lieu ou en plus des LMM, et des tableaux complets d'estimations des paramètres similaires à ce que vous rapporteriez avec un modèle linéaire régulier .

En ce moment, mon problème spécifique est un examinateur demandant "Un tableau contenant les principales estimations des paramètres des différents modèles". Je pense qu'ils veulent quelque chose comme un tableau traditionnel que l'on rapporterait pour un modèle linéaire (avec des tests t et des valeurs p), mais dans ce cas, les analyses impliquent des comparaisons de modèles imbriqués et il n'y a pas de tests t pour chacun des paramètres inclus dans chaque modèle, mais plutôt un seul test pour la comparaison de modèles, que je rapporte dans le document. Je ne sais donc pas quoi faire - je veux satisfaire l'examinateur, mais je ne veux pas nécessairement inclure d'énormes tableaux d'informations qui sont peu utiles pour évaluer les résultats. Pour l'instant, je rapporte simplement la valeur bêta, SE, chi carré et p. Je précise également quelles variables ont été incluses dans chaque modèle. Des suggestions sur la façon de procéder?

Voici ce que je propose de répondre:

Nous pensons que l'examinateur demande quelque chose de semblable à ce qui serait rapporté dans une analyse de régression multiple traditionnelle, avec des estimations de paramètres et leurs statistiques et valeurs p associées pour chaque variable incluse dans un modèle donné. Cependant, comme les analyses de modèles mixtes linéaires utilisent des modèles imbriqués comparant des modèles réduits à des modèles complets avec un paramètre supplémentaire, le seul paramètre testé est celui qui est ajouté dans le modèle complet (CITATION). En tant que tel, l'inclusion d'un tableau ne prendrait pas en charge l'interprétation des résultats comme il le ferait dans une analyse plus traditionnelle. Ainsi, pour chaque analyse, nous rapportons les bêtas pour le paramètre testé dans chaque comparaison de modèle, ainsi que les statistiques clés, dans le corps de la section des résultats, comme il est recommandé (CITATIONS).

Aussi, lorsqu'on me demande une justification de l'utilisation des LMM dans mon cas particulier, voici ce que je propose de répondre:

Nous avons utilisé des modèles mixtes linéaires car cette analyse nous a permis de tenir compte de la variabilité due au type d'essai dans nos modèles (essais avec ou sans interrupteur), tout en tenant compte du fait que les essais étaient imbriqués chez les sujets, et des réponses multiples de la même personne sont plus similaires que les réponses d'autres personnes. La prise en compte à la fois du type d'essai et de la variance au niveau du sujet des temps de réaction devrait réduire les erreurs dans nos modèles et augmenter notre capacité à détecter tout effet des performances de la tâche.

Si vous avez des suggestions pour améliorer cela, je vous en serais reconnaissant. Encore une fois, ce public n'est pas statistiquement sophistiqué, donc l'ajout de tableaux et de données supplémentaires ne fera probablement qu'ajouter à leur confusion / scepticisme.

Notez également que ma motivation pour l'utilisation des LMM est différente de ce que j'ai vu dans les articles (par exemple, la modélisation de plusieurs effets aléatoires simultanément - dans mon cas, il n'y a qu'un seul effet aléatoire - les participants et le type d'essai est un effet fixe), donc Je ne suis pas sûr que citer certains des articles les plus courants soit aussi utile. Il est possible que j'aie oublié d'autres façons d'analyser ces données, donc ma justification pour l'utilisation des LMM n'est pas appropriée.

Je prends partiellement parti du critique sur celui-ci. Vous êtes intéressé par l'effet de votre paramètre d'intérêt - étant donné le reste du modèle . Il est difficile d'interpréter les résultats et de vérifier la validité du modèle si vous ne signalez qu'un seul paramètre d'intérêt. Je fournirais:

• la formule de votre modèle
• estimations bêta pour tous les effets fixes
• SE et CI correspondants
• statistiques de test correspondantes (z, t, Chi ^ 2, changement d'AIC / BIC, quoi que vous ayez utilisé) avec les df / n
• valeurs p correspondantes
• SD pour vos effets aléatoires et leurs corrélations (si nécessaire sous forme de tableau séparé)

Les contraintes d'espace dans la plupart des revues classiques obligeront à mettre ces informations dans un supplément en ligne.

Des exemples de rapports de modèles mixtes peuvent être trouvés ici .