Tilfeldige effekter Vs. faste Effects

Tilfeldige effekter og faste effekter er begreper som brukes i statistisk modellering. Kontrasten mellom dem bevirker en mye forvirring. Tilfeldige og faste effekter stammer i dataprøvetakingsplan og analyseplan og må håndteres forskjellig i statistisk analyse. Noen ganger inneholder en statistisk modell både tilfeldige og faste effekter; dette krever en type modell som har mange navn, blant annet blandet modell og hierarkisk modell.

Skille mellom tilfeldig og Fixed Effects

Kanskje den enkleste måten å skille mellom tilfeldige og faste effekter er å forestille seg å gjøre det samme studere igjen. Vil du ha de samme nivåer på variabel i spørsmålet? I så fall er det en fast effekt. Hvis ikke, er det en tilfeldig effekt. En annen måte å skille fast kontra tilfeldig er å spørre om disse nivåene kan betraktes som et tilfeldig utvalg fra en større populasjon. I så fall er det en tilfeldig virkning; hvis ikke, er det en fast effekt. Enda en måte er å spørre om du er interessert i akkurat disse nivåene, eller om dette er bare de nivåene du skjedd å komme i denne studien.

Eksempel på Skille Random og faste effekter

For eksempel, hvis du skulle studere enten mannlig eller kvinnelig professorer ga høyere karakterer, da sex ville være en fast effekt (fordi du vil alltid kartlegge menn og kvinner); men, professor ville være en tilfeldig effekt, fordi hvis du gjorde undersøkelsen på nytt, vil du kartlegge ulike professorer. Disse professorer er et tilfeldig utvalg av alle professorer, og du ikke er interessert i disse spesielle professorer. På den annen side, hvis du var å studere hvilke professorer i din avdeling på skolen var de klareste forelesere, da professor ville være en fast effekt, fordi hvis du gjorde undersøkelsen på nytt, vil du kartlegge de samme professorene. Disse professorer er ikke et tilfeldig utvalg, og du er interessert i disse spesielle professorer.

Konsekvenser for analyse: Random vs. faste effekter

Hvis professor er en tilfeldig virkning, da vi tenker på hver professor som har en bestemt krysningspunktet og variasjonen om at skjærings blir en del av feilleddet. Vi er ikke interessert i om professor Bob Smith gir bedre karakterer enn Prof. Mary Jones, er vi interessert i om menn gir bedre karakterer enn kvinner. Men når professor er en fast effekt, så regner vi med en regresjon parameter for hver professor, fordi vi er interessert i hvilke professorer i vår avdeling er bedre eller verre. I korte trekk, tilfeldige effekter bli en del av krysningspunktet og faste effekter få parametere.

Analyse for tilfeldig og Fixed Effects

Når du har både tilfeldige og faste effekter på samme variabel, ting blir mer komplisert. Et eksempel på dette er gjentatt tiltak over tid. For eksempel, hvis du målte hver professorer karakterer flere ganger, men var interessert i å sammenligne menn til kvinner, så professoren ville være både faste (fordi du ser på hver professor mer enn en gang) og tilfeldig (fordi du ikke er interessert i disse spesielle professorer). I dette tilfellet er den beste tilnærmingen er en blandingsmodell (også kjent som hierarkiske modeller og flernivåmodeller), som kombinerer tilfeldige og faste effekter.