评估混合效应位置-尺度模型中方差异质性与误设定的影响
统计方法学
2026-01-27 v2 统计计算
摘要
线性混合模型（LMM）是一种常用的统计方法，用于建模暴露与结局之间的关系，同时通过随机效应捕捉个体变异性。然而，该模型假设误差项的方差具有齐性。打破这一假设，即非同方差性（heteroscedasticity），可能使估计产生偏差，进而改变研究的结论。若该假设不成立，混合效应位置-尺度模型（MELSM）提供了解决方案，用于考虑个体内部变异性。我们的工作探讨了当同方差性假设不成立时 LMM 和 MELSM 的行为。此外，我们研究了误设定对 MELSM 推断的影响。为此，我们提出了一项基于纵向数据的模拟研究，并评估估计的偏差和覆盖概率。模拟结果表明，在 LMM 中忽略异方差性会导致估计系数的覆盖概率损失，并使随机效应标准差的估计产生偏差。在 MELSM 中，尺度误设定不会使位置模型产生偏差，但位置误设定会改变尺度估计。我们的模拟研究说明了建模异方差性的重要性，其潜在影响超越混合效应模型，延伸至针对非正态结局的广义线性混合模型以及与生存数据结合的联合模型。
引用
@article{arxiv.2505.18038,
title = {Assessing the impact of variance heterogeneity and misspecification in mixed-effects location-scale models},
author = {Vincent Jeanselme and Marco Palma and Jessica K Barrett},
journal= {arXiv preprint arXiv:2505.18038},
year = {2026}
}
备注
BMC Medical Research Methodology (2026)