行为研究中二项比例数据分析方法的比较

在行为和精神病研究中，经常出现由每个受试者在有限次试验中“成功”和“失败”的比例组成的数据。这类聚类二元数据通常非正态分布，如果应用通常的一般线性模型且样本量较小，会导致参数估计和预测的问题。在此，我们研究了可用于比例数据分析的一些可用分析方法的性能；即线性回归、泊松回归、贝塔-二项回归和广义线性混合模型（GLMMs）。我们报告了一项模拟研究的结论，该研究在类似于行为研究者遇到且在样本量、聚类大小和固定效应参数上不同的情景中评估这些模型的功效和一类错误率；此外，我们描述了将这些方法应用于两个真实行为实验数据所得的结果。我们的结果表明，虽然 GLMMs 和贝塔-二项回归是分析聚类二元结果的有力工具，但线性近似在此背景下仍能提供可靠的假设检验。另一方面，泊松回归在用于建模比例数据时，可能会严重遭受模型设定错误的困扰。我们最后根据实验条件就选择合适的分析工具、样本和聚类大小提供了一些准则。