Linear Mixed-Effects Models Using R: A Step-by-Step Approach

مدل‌های اثرات مختلط خطی (LMMs) یک دسته مهم از مدل‌های آماری هستند که می‌توانند برای تجزیه و تحلیل داده‌های همبسته استفاده شوند. چنین داده‌هایی در زمینه‌های مختلفی از جمله آمار زیستی، بهداشت عمومی، روان‌سنجی، اندازه‌گیری آموزشی و جامعه‌شناسی وجود دارد. هدف این کتاب پشتیبانی از طیف وسیعی از کاربردهای مدل‌ها توسط محققان کاربردی در آن زمینه‌ها و سایر زمینه‌ها با ارائه توصیف‌های پیشرفته از پیاده‌سازی LMM در R است. برای کمک به خوانندگان برای آشنایی با ویژگی‌های مدل ها و جزئیات اجرای آنها در R، کتاب شامل بررسی مهم ترین مفاهیم نظری مدل ها می باشد. این ارائه تئوری، نرم افزار و برنامه ها را به هم متصل می کند. این به صورت تدریجی ساخته می‌شود و با خلاصه‌ای از مفاهیم زیربنای کلاس‌های ساده‌تر مدل‌های خطی مانند مدل رگرسیون کلاسیک شروع می‌شود و آنها را به LMMs منتقل می‌کند. یک رویکرد گام به گام مشابه برای توصیف ابزارهای R برای LMM ها استفاده می شود. تمام کلاس های مدل های خطی ارائه شده در کتاب با استفاده از داده های واقعی نشان داده شده اند. این کتاب همچنین چندین ابزار جدید R را برای LMMها معرفی می‌کند، از جمله کلاس جدید ساختار واریانس-کوواریانس برای اثرات تصادفی، روش‌هایی برای تشخیص تأثیر و محاسبات توان. آنها در یک بسته R گنجانده شده اند که باید به خوانندگان در استفاده از این و سایر روش های ارائه شده در این متن کمک کند.

Linear mixed-effects models (LMMs) are an important class of statistical models that can be used to analyze correlated data. Such data are encountered in a variety of fields including biostatistics, public health, psychometrics, educational measurement, and sociology. This book aims to support a wide range of uses for the models by applied researchers in those and other fields by providing state-of-the-art descriptions of the implementation of LMMs in R. To help readers to get familiar with the features of the models and the details of carrying them out in R, the book includes a review of the most important theoretical concepts of the models. The presentation connects theory, software and applications. It is built up incrementally, starting with a summary of the concepts underlying simpler classes of linear models like the classical regression model, and carrying them forward to LMMs. A similar step-by-step approach is used to describe the R tools for LMMs. All the classes of linear models presented in the book are illustrated using real-life data. The book also introduces several novel R tools for LMMs, including new class of variance-covariance structure for random-effects, methods for influence diagnostics and for power calculations. They are included into an R package that should assist the readers in applying these and other methods presented in this text.