Skip to content

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
yij=β0+β1xij⏟固定效應+u0j+u1jxij⏟隨機效應+εij,u0j∼N(0,σu02)
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)

Random intercept vs random slope

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