Effetti casuali e gli effetti fissi sono termini utilizzati nella modellazione statistica. Il contrasto tra di loro provoca un sacco di confusione. Effetti casuali e fissi hanno origine nel piano di campionamento dei dati e piano di analisi e devono essere affrontati in modo diverso nell'analisi statistica. A volte, un modello statistico include effetti sia casuali che fissi; Questo richiede un tipo di modello che ha molti nomi, tra cui modello misto e modello gerarchico.
Distinguere tra effetti casuali e fissi
Forse il modo più semplice per distinguere tra effetti casuali e fissi è immaginare di fare nuovamente lo stesso studio. Avresti gli stessi livelli della variabile in questione? Se è così, è un effetto fisso. In caso contrario, si tratta di un effetto casuale. Un altro modo di distinguere fisso vs casuale è chiedere se questi livelli possono essere pensati come un campione casuale da una popolazione più ampia. Se è così, è un effetto casuale; in caso contrario, è un effetto fisso. Un altro modo è di chiedere se siete interessati a questi livelli di particolari o se questi sono solo i livelli che ti è capitato di entrare in questo studio.
Esempio di distinguere gli effetti casuali e fissi
Ad esempio, se stavate studiando se maschio o femmina professori ha dato gradi superiori, quindi sesso sarebbe un fisso effetto (perché sceglierai sempre uomini e donne); ma, professore sarebbe un effetto casuale, perché se hai lo studio nuovo, si sarebbero sondaggio diversi professori. Questi professori sono un campione casuale di tutti i professori, e non siete interessati a questi professori particolari. D'altra parte, se stavate studiando quali professori nel vostro reparto presso la vostra scuola erano i conferenzieri più chiari, allora professore sarebbe un effetto fisso, perché se hai lo studio nuovo, si sarebbero sondaggio i professori stessi. Questi professori non sono un campione casuale, e siete interessati a questi professori particolari.
Implicazioni per l'analisi: casuale vs effetti fissi
Se il professore è un effetto casuale, quindi pensiamo di ogni docente come avendo un'intercettazione di particolare, e la variazione su quello intercetta diventa parte del termine di errore. Non ci interessa se la Prof. ssa Bob Smith dà i migliori gradi di Prof. ssa Mary Jones, siamo interessati a se gli uomini danno voti migliori rispetto alle donne. Tuttavia, quando il professore è un effetto fisso, quindi stimiamo un parametro di regressione per ogni professore, perché siamo interessati a che i professori nel nostro reparto sono meglio o peggio. In breve, gli effetti casuali diventano parte dell'intercetta e ottenere effetti fissi i parametri.
Analisi per effetti casuali e fissi
Quando si dispone di effetti sia casuali e fissi sulla stessa variabile, le cose diventano più complesse. Un esempio di questo è misure ripetute nel tempo. Ad esempio, se hai misurato gradi ogni professori più volte, ma erano interessati a confrontare gli uomini alle donne, poi il professore sarebbe sia fissati (perché si guarda ogni professore più di una volta) e casuale (perché non siete interessati a questi professori particolari). In questo caso, l'approccio migliore è un modello misto (noto anche come gerarchiche modelli e modelli multi-livelli), che combinano effetti casuali e fissi.