¿Cómo informar un modelo lineal de efectos mixtos para aquellos que no están familiarizados y son escépticos?

Me he encontrado con este problema varias veces, y los revisores solicitan más justificación para el uso de LMM, pruebas tradicionales en lugar de LMM o además de ellas, y tablas completas de estimaciones de parámetros similares a lo que informaría con un modelo lineal regular. .

En este momento, mi problema específico es un revisor que solicita "Una tabla que contiene las estimaciones de los parámetros principales de los distintos modelos". Estoy pensando que quieren algo como una tabla tradicional que se informaría para un modelo lineal (con pruebas t y valores p), pero en este caso los análisis involucran comparaciones de modelos anidados y no hay pruebas t para cada uno de los parámetros incluidos en cada modelo, sino más bien una prueba única para la comparación del modelo, que sí informo en el documento. Por lo tanto, no estoy seguro de qué hacer: quiero satisfacer al revisor, pero no necesariamente quiero incluir grandes tablas de información que son de poca utilidad para evaluar los resultados. En este momento, simplemente informo el valor beta, SE, chi-cuadrado y p. También dejo en claro qué variables se incluyeron en cada modelo. ¿Alguna sugerencia sobre cómo proceder?

Esto es lo que propongo responder:

Creemos que el revisor está pidiendo algo similar a lo que se informaría en un análisis de regresión múltiple tradicional, con estimaciones de parámetros y sus estadísticas y valores p correspondientes para cada variable incluida en un modelo dado. Sin embargo, dado que los análisis de modelos lineales mixtos utilizan modelos anidados que comparan modelos reducidos con modelos completos con un parámetro adicional, el único parámetro que se prueba es el que se agrega en el modelo completo (CITA) Como tal, incluir una tabla no admitiría la interpretación de los resultados en la forma en que lo haría en un análisis más tradicional. Por lo tanto, para cada análisis, informamos las versiones beta del parámetro probado en cada comparación de modelo, junto con las estadísticas clave, en el cuerpo de la sección de resultados, como se recomienda (CITACIONES).

Además, cuando se me pide una justificación para el uso de LMM en mi caso particular, esto es lo que propongo responder:

Utilizamos modelos mixtos lineales porque este análisis nos permitió tener en cuenta la variabilidad debida al tipo de prueba en nuestros modelos (pruebas de cambio versus pruebas sin cambio), al mismo tiempo que explicamos el hecho de que las pruebas estaban anidadas dentro de los sujetos y las respuestas múltiples de la misma persona. son más similares que las respuestas de otras personas. Se esperaba que la contabilidad tanto del tipo de prueba como de la variación del nivel de sujeto en los tiempos de reacción redujera el error en nuestros modelos y aumentara nuestra capacidad de detectar cualquier efecto del rendimiento de la tarea.

Si tiene alguna sugerencia sobre cómo podría mejorarse, se lo agradecería. Una vez más, esta audiencia no es estadísticamente sofisticada, por lo que es probable que agregar tablas y datos suplementarios solo aumente su confusión / escepticismo.

Además, tenga en cuenta que mi motivación para usar LMM es diferente de lo que he visto en los documentos (por ejemplo, modelar múltiples efectos aleatorios simultáneamente, en mi caso, solo hay un efecto aleatorio, los participantes, y el tipo de ensayo es un efecto fijo), por lo que No estoy seguro de que citar algunos de los documentos comunes sea tan útil. Es posible que haya pasado por alto otras formas de analizar estos datos, por lo que mi justificación para usar LMM no es adecuada.

En parte, estoy de acuerdo con el crítico en este caso. Está interesado en el efecto de su parámetro de interés, dado el resto del modelo . Es difícil interpretar los resultados y verificar la validez del modelo si solo informa un único parámetro de interés. Yo proporcionaría:

• la formula de tu modelo
• estimaciones beta para todos los efectos fijos
• SE y CI correspondientes
• estadísticas de prueba correspondientes (z, t, Chi ^ 2, cambio en AIC / BIC, lo que sea que haya usado) con df's / n's
• valores p correspondientes
• SD para sus efectos aleatorios y sus correlaciones (si es necesario como tabla separada)

Las limitaciones de espacio en la mayoría de las revistas clásicas harán que sea necesario incluir esta información en un suplemento en línea.

Los ejemplos para informar modelos mixtos se pueden encontrar aquí .