混合効果ロジスティック回帰からの固定効果の解釈

混合効果ロジスティック回帰についてのUCLA Webページのステートメントに混乱しています。それらは、そのようなモデルのフィッティングからの固定効果係数の表を示し、下の最初の段落は、通常のロジスティック回帰とまったく同じように係数を解釈するようです。しかし、彼らがオッズ比について話すとき、彼らは変量効果を条件としてそれらを解釈しなければならないと言います。対数オッズの解釈が指数値と異なるのは何ですか？

1. 「その他すべてを一定に保つ」ことも必要ではないでしょうか？
2. このモデルから固定効果係数を解釈する適切な方法は何ですか？変量効果の期待値はゼロであるため、私は常に「通常の」ロジスティック回帰から何も変化がないという印象を受けました。したがって、変量効果の有無にかかわらず、ログオッズとオッズ比をまったく同じに解釈しました-SEのみが変更されました。

推定は本質的にいつものように解釈することができます。たとえば、IL6の場合、IL6の1単位の増加は、寛解の予想対数オッズの.053単位の減少に関連付けられています。同様に、結婚している、または結婚したまま生活している人は、独身の人よりも.26対数寛解の確率が高いと予想されます。

多くの人々はオッズ比を解釈することを好みます。ただし、これらは混合効果がある場合、より微妙な意味を帯びます。通常のロジスティック回帰では、オッズ比は、他のすべての予測子を固定した期待オッズ比です。これは、結婚などの「純粋な」効果や、関心のある主要な予測因子が何であれ、「純粋な」効果を得るために、年齢などの他の効果を統計的に調整することに関心があることが多いため、これは理にかなっています。同じことが混合効果ロジスティックモデルにも当てはまります。その他すべてを固定することには、変量効果を固定することが含まれます。つまり、ここでのオッズ比は、年齢とIL6を一定に保つ人と、同じ医師または同じ変量効果を持つ医師を持つ人の条件付きオッズ比です。

実際、混合効果ロジスティック回帰では、結果の平均と線形予測子を接続するために使用される非線形リンク関数のため、固定効果係数は変量効果を条件とする解釈を持ちます。

$\beta$$\beta$$\beta$

混合効果ロジスティック回帰から限界解釈を伴う係数を取得する方法があります。これについて詳しくは、コースノートのセクション5.2をご覧ください。GLMMから限界解釈を伴う係数を取得するためのこのアプローチのRでの実装についてmarginal_coefs()は、GLMM適応パッケージの関数を確認してください。詳細については、こちらもご覧ください。