Вы находитесь на странице: 1из 4

Algo as como una auto-introduccion a los

modelos mixtos
Claudio Bustos
26 de agosto de 2014

1.

Modelo Lineal General


Sea el cl
asico modelo lineal
Y = X + 

Con vector p-dimensional de parametros de efectos fijos, X matriz de orden


n p, posiblemente de dise
no,  vector n-dimensional de variables aleatorias
independientes distribuidas N (0, 2 ), es decir,  Nn (0n , In 2 ).
Se puede deducir que
E(Y ) = E(X + )
= X
V (Y ) = V (X + )
= In 2
Es muy conocido que el estimador de es la proyeccion de Y en el subespacio
definido por X, de la forma
= (XT X)1 XT Y
La esperanza y varianza de este estimador es
= E((X T X)1 X T Y )
E()
= (X T X)1 X T X
=
= V ((X T X)1 X T Y )
V ()
= (X T X)1 X T In 2 X(X T X)1
= In 2 (X T X)1 X T X(X T X)1
= 2 (X T X)1

(1)

2.

Modelo Lineal Mixto

Agreguemos ahora el componente aleatorio a esta formula. Tradicionalmente,


se representa como
Y = X + Z1 b1 + Z2 b2 + ... + ZM bM + 
bi corresponde a un vector ki -dimensional de efectos aleatorios para el componente de varianza i 1, .., M , con 1 ki n. Zi , por su parte, corresponde
a una matriz de orden n k, que puede ser de dise
no. Se tiene que
bi Nki (0ki , i )
Cov(bi j, bk l) = 0,para i {1, ..., M }, j {1, ..., ki }, i 6= k, l {1, ..., kl }
Cov(bi j, k ) = 0, para i {1, ..., M }, j {1, ..., ki }, k {1, .., n}
 Nn (0, 2 )
Se sigue que la esperanza y varianza de Y seran
E(Y ) = E [X + Z1 b1 + Z2 b2 + ... + ZM bM + ]
= X
V (Y ) = V [X + Z1 b1 + Z2 b2 + ... + ZM bM + ]
T
= Z1 V (b1 )Z1T + ... + ZM V (bM )ZM
+ In 2
T
= Z1 1 Z1T + ... + ZM M ZM
+ In 2

Si asumimos un solo componente de varianza, M = 1, podemos reparametrizar = b2 , tal como lo hace Crainiceanu y Ruppert (2003),quedando la
varianza de Y como
V (Y ) = Zb2 Z T + In 2
2

Si definimos = b2 , y dividimos y multiplicamos todo por 2 , obtenemos


una nueva versi
on de la varianza
2
(Zb2 ZT + In 2 )
2
= 2 (ZZ T + In )

V (Y ) =

Donde se puede ver que la relacion entre la varianza del efecto aleatorio y la
residual nos permite saber hasta que punto conocer el efecto aleatorio especfico
b modifica la esperanza E(Y |b, X, ) con respecto a la esperanza E(Y |X, )

3.

Error al estimar sin considerar efecto aleatorio

Si se estima sin considerar los efectos aleatorios, tendremos un estimador


insesgado, pero que subestima la varianza.
2

Si en (1) reemplazamos Y con M = 1 con un solo componente de varianza


Y = X + Zb + 
Tenemos que
= (XT X)1 XT (X + Zb + )
La esperanza ser
a
E( ) = E[(XT X)1 XT (X + Zb + )]
= E[(XT X)1 XT X] + E[(XT X)1 XT Zb] + E[(XT X)1 XT ]
=+0+0
=
Sin embargo, la medici
on de la varianza del estimador es mas peque
na de la
debida
V ( ) = V [(XT X)1 XT (X + Zb + )]
= V [(XT X)1 XT X] + V [(XT X)1 XT Zb] + V [(XT X)1 XT ]
= 0 + (XT X)1 XT ZZT X(XT X)1 + (XT X)1 XT 2 In X(XT X)1
= ZZT (XT X)1 + 2 In (XT X)1
= (ZZT + 2 In )(XT X)1

4.

Prueba del efecto aleatorio

Para un componente de varianza b Nk (0, b ), Crainiceanu y Ruppert


(2003) proponen una prueba de hipotesis para
0
H0 : p+1q = p+1q
, ..., p = p0 , b2 = 0

H1 : p+1q 6=

0
p+1q
, ..., p

6=

p0 , b2

>0

(2)
(3)

para q > 0. Esto, en otros terminos, es contrastar la hipotesis que el modelo


s
olo considera efectos fijos, versus un modelo con efecto aleatorio. Si q = 0, se
prueba que
H0 : b2 = 0
H1 : b2 > 0

Bajo la condici
on de i.i.d., la distribucion del test de verosimilitud entre (2)
y (3) asint
oticamente se distribuira 12 (2q + 2q+1 ).

5.

Probando efectos fijos

Primero, verificar que el modelo que incluye efectos fijos sea distinto al mero
con efecto aleatorio. Equivale a la prueba ANOVA tpica del modelo OLS tpico,
ya que lo compara con el supuesto basico. En el caso del modelo mixto, partimos
de la idea de que existen diferencias entre los grupos / entes, as que no podemos
obviar eso. El problema radica en que debo usar MV para tener resultados
comparables.

Referencias
Crainiceanu, C. M., y Ruppert, D. (2003). Likelihood ratio tests in linear mixed
models with one variance component.