Spécifier les options pour la fonction Ajuster le modèle à effets mixtes

Vous pouvez sélectionner l'option Maximum de vraisemblance restreinte ou Maximum de vraisemblance. En général, vous utilisez Maximum de vraisemblance restreinte, car l'estimateur de la composante de variance component par le maximum de vraisemblance restreinte (REML) est approximativement non biaisé, tandis que l'estimateur du maximum de vraisemblance est biaisé. Toutefois, la taille du biais diminue pour les effectifs d'échantillons élevés.

Utilisez la fonction Maximum de vraisemblance pour déterminer si un modèle emboîté avec un nombre réduit de termes d'effet fixe est aussi bien adapté que son modèle de référence ayant plus de termes d'effet fixe, sachant que les deux modèles disposent du même nombre de termes aléatoires et de la même structure de variance. Plus spécifiquement, soit le logarithme de vraisemblance -2 du modèle complet, et le logarithme de vraisemblance -2 du modèle réduit.

Sous l'hypothèse nulle, asymptotiquement, suit une loi du Khi deux où les degrés de liberté sont égaux à la différence du nombre de paramètres pour les termes d'effet fixe entre le modèle de référence et le modèle emboîté. Vous pouvez utiliser le test du rapport de vraisemblance pour évaluer si un sous-ensemble de termes d'effet fixe peut être supprimé du modèle de référence.

Pour plus d'informations sur le test du rapport de vraisemblance des paramètres fixes dans un modèle à effets mixtes, reportez-vous à B. T. West, K.B. Welch et A.T. Gałecki (2007), Linear Mixed Models: A Practical Guide Using Statistical Software, première édition, Chapman and Hall/CRC (34–36).

En général, vous utilisez la fonction Approximation de Kenward-Roger, car les calculs comprennent un ajustement réduisant le biais des petits effectifs d'échantillons. Vous pouvez également utiliser la fonction Approximation de Satterthwaite. Généralement, lorsque l'effectif d'échantillon est élevé, les deux méthodes présentent moins de différence.

Dans la zone Pondérations, entrez une colonne numérique de pondérations pour toutes les valeurs de réponse. Utilisez la fonction Pondérations si la variance de l'erreur aléatoire dans les valeurs de réponse n'est pas constante. Au contraire, pour chaque valeur de réponse, la variance est égale à l'inverse de la pondération correspondante, multiplié par une constante.

Les pondérations doivent être supérieures ou égales à zéro. La colonne de pondérations et celle de la réponse doivent avoir le même nombre de lignes.

Entrez le niveau de tous les intervalles de confiance dans les résultats.

Un niveau de confiance de 95 % est généralement efficace. Un niveau de confiance de 95 % indique que, sur 100 échantillons prélevés aléatoirement parmi la population pour un paramètre d'intérêt, les intervalles de confiance d'environ 95 de ces échantillons contiennent la valeur réelle du paramètre inconnu. Pour un fichier de données spécifique, un niveau de confiance inférieur produit un intervalle moins large et un niveau de confiance supérieur produit un intervalle plus large.

Vous pouvez sélectionner un intervalle bilatéral ou une borne unilatérale. Pour un même niveau de confiance, une borne est plus proche de l'estimation ponctuelle que l'intervalle. La borne supérieure ne fournit pas de valeur inférieure probable. La borne inférieure ne fournit pas de valeur supérieure probable.

Vous pouvez afficher les moyennes ajustées pour les effets principaux, les interactions à deux facteurs ou tous les termes du modèle dans les résultats. Vous pouvez également afficher les moyennes pour un sous-ensemble de ces termes ou pour aucun des termes.

Si vous sélectionnez Termes spécifiés, utilisez l'option I = calculer les moyennes du terme du terme pour que le bouton identifie les termes. Sélectionnez un terme de la liste, puis appuyez sur le bouton. L'indicateur I signifie que la moyenne du terme sera affichée. Si un terme n'apparaît pas dans la liste, vous devez l'ajouter au modèle.