线性混合模型中解释变异的分解

在线性混合模型（LMM）中，对与固定效应和随机效应相关的解释变量的离散相关性进行同时评估与比较，仍是一个重要的开放性实际问题。基于 LMM 方差分量形式下的约束最大似然方程，我们证明了因变量的平方和可恰当地分解为可解释的解释变异估计量的无偏估计。该结果导致将著名的调整决定系数自然推广到 LMM。进一步，我们将新颖的解释变异无偏估计分配到单一模型拟合中与固定效应和随机效应相关的协变量的具体贡献上。这些按参数划分的解释变异构成了易于解释的量，在共同尺度上评估与固定效应和随机效应相关的协变量的离散相关性，从而允许协变量排序。为说明，我们在纵向睡眠剥夺研究中对比了由受试者和时间解释的变异。通过比较人群特征与空间层级的离散相关性，我们确定识字率是布基纳法索收入不平等的主要驱动因素。最后，我们开发了一种新颖的相关性图，以可视化拟南芥中高维基因组标记物的离散相关性。