Mixed effects-modeller i jamovi

Steg-för-steg-guide med GAMLj

⚠️ Denna sida har inte faktagranskats ännu. Texten kan innehålla fel. Bli en hjälte!

Efter denna guide kan du:

⚙ Beskriv din studie

▶ 1. Varför mixed effects? Steg 1 av 7

Varför inte vanlig ANOVA eller regression?

Med upprepade mätningar är observationerna inte oberoende av varandra. Person A:s poäng vid mätpunkt 3 hänger ihop med samma persons poäng vid mätpunkt 2. Vanlig regression ignorerar detta och låtsas att varje datapunkt kommer från en separat person. Det ger felaktiga standardfel och p-värden.

Konkret exempel: Du har 20 patienter med 10 mätpunkter = 200 rader i ditt dataset. Men dessa 200 rader är inte 200 oberoende observationer. En patient som svarar högt vid vecka 2 tenderar att svara högt även vid vecka 3. Vanlig regression vet inte detta, räknar varje rad som en ny person, och ger därför för små p-värden (typ I-fel ökar). Mixed models löser detta genom att hålla koll på vem som är vem.

En mixed effects-modell löser detta genom att ge varje deltagare sin egen utgångsnivå (random interceptRandom intercept innebär att varje deltagare tillåts ha sin egen utgångsnivå. Modellen känner till att mätningar från samma person hör ihop.) och eventuellt sin egen förändringstakt (random slopeRandom slope innebär att varje deltagare också tillåts ha sin egen förändringstakt över tid. Vissa förbättras snabbt, andra långsamt.). Modellen håller alltså koll på vem som är vem.

Mixed effects-modeller kan använda ofullständiga utfallsdata under antagandet MAR (se avsnittet om bortfall nedan). Om en deltagare missar en mätpunkt men fyller i resten kan alla tillgängliga datapunkter fortfarande användas. I en repeated measures ANOVA hade hela deltagaren uteslutits.
Stanna och tänk: Kan du förklara varför 200 rader inte är 200 oberoende observationer?
Om du har 20 patienter med 10 mätpunkter får du 200 rader, men mätningarna inom samma patient är korrelerade. En patient med hög poäng vid vecka 2 tenderar att ha hög poäng även vid vecka 3. Det verkliga antalet oberoende observationer är närmare 20 (antalet patienter), inte 200. Mixed models hanterar detta genom att modellera beroendet explicit med random effects.
▶ 2. Förbered data och jamovi Steg 2 av 7

Steg 1: Se till att data är i långformat

Mixed effects-modeller kräver att data är organiserade i långformat – en rad per mättillfälle per person. Klicka på knapparna nedan för att se skillnaden:

Data i långformat i jamovi
Bredformat? Om dina data ser ut så att varje person har en rad med kolumner för varje mätpunkt, behöver du först omstrukturera dem. I Excel kan du göra det manuellt, och i R finns funktionen pivot_longer(). Se också vår dataformateringsguide.

Steg 2: Installera rätt modul i jamovi

Modulen du behöver heter GAMLj (General Analyses for Linear Models):

  1. Öppna jamovi.
  2. Klicka på +-knappen (Modules) uppe till höger.
  3. Välj jamovi library.
  4. Scrolla ner och leta upp GAMLj – General Analyses for Linear Models.
  5. Klicka Install. Du behöver bara göra detta en gång.
GAMLj i jamovi library Installera GAMLj

Steg 3: Öppna din datafil

  1. Klicka på ☰ (hamburgermenyn) uppe till vänster.
  2. Välj Open och navigera till din fil (.csv eller .omv).

Kontrollera variabeltyper innan du fortsätter:

Variabeltyper i jamovi

Om bortfall i dina data

Mixed models kan använda tillgängliga utfall även när deltagare saknar vissa mätningar. Analysen bygger på antagandet MAR (Missing At Random): bortfallet får bero på observerade variabler som ingår i modellen, till exempel grupp och baslinjevärde. Givet dessa uppgifter får bortfallet inte dessutom bero på de utfall som saknas.

I en RCT analyseras alla randomiserade deltagare oavsett om de fullföljt behandlingen (intention-to-treat, ITT). Mixed models stödjer detta naturligt, eftersom deltagare med ofullständiga data inte behöver uteslutas.

Kontrollera:

  • Är bortfallet ungefär jämnt fördelat mellan grupperna?
  • Har deltagare som avbröt högre baslinjepoäng? En sådan skillnad talar emot helt slumpmässigt bortfall (MCAR) och är ett skäl att ta med baslinjen i modellen. Det är förenligt med MAR.
  • Observerade data kan inte skilja MAR från MNAR, där bortfallet beror på de saknade värdena även efter att observerade variabler beaktats. Bedöm risken för MNAR utifrån vad du vet om varför deltagare slutade.

Gör en känslighetsanalys när bortfallet är så stort att rimliga antaganden om de saknade värdena kan ändra slutsatsen. Variera då dessa antaganden: anta exempelvis att avhopparnas saknade utfall är ett visst antal poäng sämre än MAR-modellen förutsäger (delta-justering). Undersök hur stort deltat måste vara för att slutsatsen ska ändras (tipping point). Detta görs normalt i R och ligger utanför jamovi. Att jämföra med och utan vanlig multipel imputation prövar inte MNAR, eftersom även den normalt antar MAR.

▶ 3. Bygg din modell Steg 3 av 7

Steg 4: Starta analysen

  1. Klicka på Linear Models i menyraden.
  2. Välj Mixed Model.
  3. Inställningspanelen öppnas till höger.
Linear Models i menyn Mixed Model i undermenyn

Tilldela variabler genom att dra dem till rätt fält:

Variabeltilldelning i GAMLj

Steg 5: Bestäm hur tid ska modelleras

Det här är ett viktigt val som påverkar vilken fråga din modell besvarar.

▶ 4. Fasta och slumpmässiga effekter Steg 4 av 7

Steg 6: Ställ in fasta effekter (Fixed Effects)

Fixed Effects-panelen i GAMLj

Steg 7: Ställ in slumpmässiga effekter (Random Effects)

Random Effects i GAMLj

Klicka på Random Effects i sidopanelen.

Börja med: Random intercept

  1. Flytta Intercept till höger sida (under random coefficients).
  2. Lämna resten tomt för tillfället.

Varje deltagare tillåts ha sin egen utgångsnivå. Det är rimligt – alla börjar inte på exakt samma poäng.

Steg 8: Välj estimeringsmetod

REML vs ML i GAMLj

I inställningarna ser du en kryssruta för REMLRestricted Maximum Likelihood. Ger mer korrekta skattningar av varianskomponenter än vanlig ML (Maximum Likelihood). (Restricted Maximum Likelihood). Låt den vara ikryssad.

Undantag: Om du vill jämföra modeller med olika fasta effekter (t.ex. en modell med interaktion vs. en utan) bör du tillfälligt avmarkera REML och köra med ML istället. REML-baserade AIC/BIC-värden är nämligen inte jämförbara mellan modeller som har olika fasta effekter. Jämför du däremot modeller som bara skiljer sig i random effects-struktur (t.ex. random intercept vs. random intercept + slope) fungerar REML bra.
Stanna och tänk: I din studie, vilken effekt borde vara random? Varför?
Intercept bör alltid vara random vid upprepade mätningar, eftersom deltagare startar på olika nivåer. Slope för tid kan också vara random om du tror att personer förändras i olika takt. Grupp däremot är alltid fixed, eftersom en person inte byter grupp under studien. Tumregel: om effekten kan variera mellan personer, överväg random.
▶ 5. Tolka resultaten Steg 5 av 7

Steg 9: Jämför modeller

AIC/BIC modellpassning

Titta på anpassningsmåtten i resultattabellen:

  • AICAkaike Information Criterion. Lägre är bättre. Balanserar modellpassning mot komplexitet. – lägre är bättre
  • BICBayesian Information Criterion. Lägre är bättre. Straffar komplexa modeller hårdare än AIC. – lägre är bättre, straffar komplexa modeller hårdare

Om modellen med random slope har lägre AIC och BIC, behåll den. Om modellen med enbart random intercept har lägre värden, räcker den enklare modellen.

Om AIC och BIC pekar åt olika håll: gå med BIC om du föredrar en enklare modell, AIC om du vill tillåta mer komplexitet.

Steg 10: Tolka resultaten

Fixed effects-resultat Random effects varianskomponenter
Glöm inte deskriptiv statistik per grupp. En signifikant interaktion (grupp × tid) säger att grupperna förändras olika, men inte att alla förbättras. Titta alltid på medelvärden per grupp och tidpunkt för att se riktningen på förändringen i varje grupp.
▶ 5b. Simulering och APA-rapportering

Konfigurera hur det ska gå för varje grupp och generera syntetisk data. Du får en graf, APA7-tabeller och färdig rapporteringstext.

▶ 6. Antaganden och faktorkodning Steg 6 av 7

Steg 12: Kontrollera antaganden

Assumption Checks i GAMLj

Residualernas normalitet

  1. Klicka på Assumption Checks i sidopanelen.
  2. Kryssa i Q-Q plot of residuals.
  3. Om punkterna ungefär följer den raka linjen → normalitetsantagandet rimligt uppfyllt.
Q-Q plot av residualer
Vill du ha siffror? Under Options, kryssa i Residuals. jamovi skapar då en ny kolumn med residualerna i ditt dataset. Gå till Exploration → Descriptives, flytta in residualkolumnen och titta på skewness och kurtosis. Båda bör ligga mellan −2 och +2 (liberal tumregel) eller helst mellan −1 och +1.

Frihetsgrader

Under Options → Degrees of freedom väljer du metod:

  • SatterthwaiteSatterthwaite-approximationen ger approximativa frihetsgrader för t- och F-test i mixed models. Snabb och fungerar väl i de flesta fall. – snabbare, fungerar för de flesta modeller
  • Kenward-RogerKenward-Roger-approximationen är mer exakt än Satterthwaite, särskilt vid liten stickprovsstorlek. Något långsammare att beräkna. – mer exakt, rekommenderas vid liten stickprovsstorlek
▶ 7. Checklista och vanliga problem Steg 7 av 7

Checklista inför analys

0/0 klart

    Vanliga problem och lösningar

    Du har gått igenom alla steg!

    Gå tillbaka till lärandemålen överst och kontrollera att du kan varje punkt. Om något känns oklart, läs det avsnittet igen eller prova i simuleringen (sektion 5b).

    Se även: Resultatsidan för mixed effects – rapporteringsmallar, tabellförslag och kovariansstrukturer.

    💬 Rapportera fel eller ge feedback