外觀
Statistics › 迴歸分析 › 混合效應模型
混合效應模型 (Mixed-Effects Models)
資料有群集或階層結構時(同一病人多次量測、同一小鼠多個細胞、同一批次的樣本、同一醫院的病人),觀測值不獨立。混合效應模型 (linear mixed model, LMM;又稱多層次模型 multilevel / 階層模型 hierarchical model) 把這種相依性直接建進模型。
為什麼需要
| 做法 | 問題 |
|---|---|
| 忽略群集,當成獨立樣本 | 假重複 (pseudoreplication):SE 太小、p 值太小 |
| 每個群集先平均再分析 | 丟失資訊;各群集大小不同時權重不當 |
| 每個群集一個虛擬變數(固定效應) | 群集多時參數爆炸;無法推論到新群集 |
| 混合效應模型 | 估計群集間變異,並在群集間「借用資訊」 |
固定效應 vs 隨機效應
| 固定效應 (fixed effect) | 隨機效應 (random effect) | |
|---|---|---|
| 關心的是 | 該變數本身的效果 | 群集間的變異有多大 |
| 水準 | 全部感興趣的水準都在資料中(處理 vs 對照) | 來自更大母體的隨機樣本(病人、批次、實驗室) |
| 估計 | 每個水準一個係數 | 估計一個變異數 σ²_group |
| 例子 | 藥物、劑量、時間、性別 | subject、batch、mouse、hospital |
| 結構 | 意義 | lme4 寫法 |
|---|---|---|
| 隨機截距 (random intercept) | 每個群集有自己的基線 | (1 | subject) |
| 隨機斜率 (random slope) | 每個群集對 x 的反應也不同 | (1 + time | subject) |
| 巢套 (nested) | 細胞在小鼠內、小鼠在批次內 | (1 | batch/mouse) |
| 交叉 (crossed) | 每個受試者看過每個刺激 | (1 | subject) + (1 | item) |

收縮 (shrinkage / partial pooling):樣本少的群集,其估計值會被拉向整體平均,介於「完全合併」與「各自獨立」之間。這與 貝氏階層模型 的概念相同。
Python 範例
python
import statsmodels.formula.api as smf
# 隨機截距:每位受試者基線不同
m1 = smf.mixedlm("score ~ time + treatment", data=df, groups=df["subject"]).fit()
m1.summary() # Group Var = 受試者間變異 σ²_u
# 隨機截距 + 隨機斜率(每人隨時間變化的速率也不同)
m2 = smf.mixedlm("score ~ time * treatment", data=df, groups=df["subject"],
re_formula="~time").fit()
# 組內相關係數 ICC:總變異中有多少來自群集間差異
var_u = m1.cov_re.iloc[0, 0]
icc = var_u / (var_u + m1.scale)R 的生態系更完整:
r
library(lme4); library(lmerTest) # lmerTest 提供 p 值
m <- lmer(score ~ time * treatment + (1 + time | subject), data = df)
glmer(y ~ treatment + (1 | batch), family = binomial, data = df) # 廣義混合模型 GLMM| ICC | 意義 |
|---|---|
| ≈ 0 | 群集內幾乎不相關,接近獨立 |
| 高 | 同群集的觀測非常相似 → 有效樣本數接近群集數,而非觀測數 |
何時用
| 情境 | 建議 |
|---|---|
| 重複量測,有缺失或時間不規則 | LMM 取代 重複量數 ANOVA |
| 縱貫研究 (longitudinal)、成長曲線 | 隨機截距 + 隨機斜率 |
| 多中心試驗 | 中心為隨機效應 |
| 批次效應 | 批次多 → 隨機效應;批次少(2–3 個)→ 固定效應較穩 |
| 單細胞比較組別 | 細胞巢套在樣本內;或先 pseudobulk 再做 NB-GLM |
| 二元 / 計數結果 + 群集 | GLMM(glmer、BinomialBayesMixedGLM) |
| 只關心族群平均效果,不需個體預測 | GEE(smf.gee)也是選項 |
| RNA-seq paired / 重複量測 | subject 當 blocking factor,或 limma duplicateCorrelation() / dream(),見 RNA-seq 實驗設計 |
| QTL / GWAS 有親緣關係 | kinship 矩陣當隨機效應(GEMMA、BOLT-LMM),見 QTL mapping |
注意事項
| 問題 | 說明 |
|---|---|
| 群集數太少(< 5–6) | 隨機效應變異估計不穩,改用固定效應 |
| 模型不收斂 / singular fit | 隨機效應結構太複雜,簡化(先拿掉隨機斜率的相關) |
| p 值 | 自由度不明確;R 用 lmerTest(Satterthwaite)或概似比檢定 |
| REML vs ML | 估計變異成分用 REML(預設);比較固定效應不同的模型要用 ML |