Модель смешанных эффектов (Mixed effects model)

Модель смешанных эффектов (mixed effects model, также многоуровневая, иерархическая модель) — это статистическая модель, которая одновременно включает фиксированные и случайные эффекты. Она используется, когда данные имеют групповую (кластерную) структуру: например, повторные измерения у одного пациента, ученики внутри классов, пациенты внутри больниц.

Основная идея

• Фиксированные эффекты — общие для всей популяции. Они описывают средние закономерности (например, влияние лечения, возраста, пола). Оцениваются как обычные коэффициенты регрессии.
• Случайные эффекты — индивидуальные отклонения для каждой группы (кластера). Они предполагаются случайными величинами из некоторого распределения (обычно нормального) и позволяют учесть, что наблюдения внутри одной группы более похожи друг на друга, чем между группами.

Математическая запись

В общем виде:

$y=X\beta +Zb+\epsilon$

• $y$ — вектор наблюдений;
• $X$ — матрица предикторов для фиксированных эффектов;
• $\beta$ — вектор фиксированных коэффициентов;
• $Z$— матрица предикторов для случайных эффектов;
• $b\sim N(0,G)$ — вектор случайных эффектов (например, случайные сдвиги или наклоны для групп);
• $\epsilon \sim N(0,R)$ — ошибки внутри групп.

Часто предполагают, что $b$ и $\epsilon$ независимы. Ковариационные матрицы $G$ и $R$ могут иметь специальную структуру (например, диагональную, блочную, AR(1) для временных рядов).

Зачем нужны

1. Учёт корреляции внутри групп. Обычная линейная регрессия предполагает независимость наблюдений. Если данные кластеризованы, это предположение нарушается, и стандартные ошибки становятся неверными. Смешанная модель это исправляет.
2. Гетерогенность между группами. Позволяет оценить не только средний эффект, но и вариацию эффектов по группам.
3. Неполные данные. В продольных исследованиях смешанные модели корректно работают с пропусками (при условии MAR — missing at random).
4. Экономия степеней свободы. Вместо отдельных коэффициентов для каждой группы вводятся случайные эффекты с общим распределением.

Пример

Исследуется влияние нового препарата на артериальное давление. Пациенты измеряются несколько раз.

• Фиксированные эффекты: среднее изменение АД под действием препарата, эффект времени, взаимодействие.
• Случайные эффекты: индивидуальные исходные уровни АД у каждого пациента (случайный перехват) и, возможно, индивидуальные реакции на время (случайный наклон).
  Модель учитывает, что измерения одного пациента коррелированы.

Разновидности

• Линейные смешанные модели (LMM) — для непрерывного отклика.
• Обобщённые линейные смешанные модели (GLMM) — для бинарного, счётного и других распределений (логистическая, пуассоновская и т.д.).
• Нелинейные смешанные модели (NLMM) — для нелинейных зависимостей.

Программное обеспечение

• R: lme4 (lmer, glmer), nlme (lme), brms (байесовские).
• Python: statsmodels (MixedLM), PyMC.
• Julia: MixedModels.jl.
• SAS: PROC MIXED, PROC GLIMMIX.
• SPSS: MIXED, GENLINMIXED.

Кратко

Смешанная модель = фиксированные эффекты (популяционные) + случайные эффекты (групповые). Она позволяет анализировать иерархические данные, корректно оценивать неопределённость и делать выводы как на уровне популяции, так и на уровне групп.