Làm thế nào để tôi giải thích phương sai của hiệu ứng ngẫu nhiên trong một mô hình hỗn hợp tuyến tính tổng quát

Trong Mô hình hỗn hợp tuyến tính tổng quát hóa logistic (gia đình = nhị thức), tôi không biết cách diễn giải phương sai ngẫu nhiên:

Random effects:
 Groups   Name        Variance Std.Dev.
 HOSPITAL (Intercept) 0.4295   0.6554  
Number of obs: 2275, groups: HOSPITAL, 14

Làm thế nào để tôi giải thích kết quả số này?

Tôi có một mẫu bệnh nhân được ghép thận trong một nghiên cứu đa trung tâm. Tôi đã thử nghiệm nếu xác suất bệnh nhân được điều trị bằng một phương pháp điều trị hạ huyết áp cụ thể là giống nhau giữa các trung tâm. Tỷ lệ bệnh nhân được điều trị rất khác nhau giữa các trung tâm, nhưng có thể là do sự khác biệt về đặc điểm cơ bản của bệnh nhân. Vì vậy, tôi ước tính một mô hình hỗn hợp tuyến tính tổng quát (logistic), điều chỉnh cho các tính năng chính của patiens. Đây là kết quả:

Generalized linear mixed model fit by maximum likelihood ['glmerMod']
 Family: binomial ( logit )
Formula: HTATTO ~ AGE + SEX + BMI + INMUNOTTO + log(SCR) + log(PROTEINUR) + (1 | CENTER) 
   Data: DATOS 

     AIC      BIC   logLik deviance 
1815.888 1867.456 -898.944 1797.888 

Random effects:
 Groups   Name        Variance Std.Dev.
 CENTER (Intercept) 0.4295   0.6554  
Number of obs: 2275, groups: HOSPITAL, 14

Fixed effects:
                           Estimate Std. Error z value Pr(>|z|)    
(Intercept)               -1.804469   0.216661  -8.329  < 2e-16 ***
AGE                       -0.007282   0.004773  -1.526  0.12712    
SEXFemale                 -0.127849   0.134732  -0.949  0.34267    
BMI                        0.015358   0.014521   1.058  0.29021    
INMUNOTTOB                 0.031134   0.142988   0.218  0.82763    
INMUNOTTOC                -0.152468   0.317454  -0.480  0.63102    
log(SCR)                   0.001744   0.195482   0.009  0.99288    
log(PROTEINUR)             0.253084   0.088111   2.872  0.00407 ** 

Các biến định lượng được tập trung. Tôi biết rằng độ lệch chuẩn giữa các bệnh viện của đánh chặn là 0,6554, theo thang điểm tỷ lệ cược. Bởi vì mức chặn là -1.804469, theo thang điểm tỷ lệ cược, nên xác suất được điều trị bằng thuốc hạ huyết áp của một người đàn ông, ở độ tuổi trung bình, với giá trị trung bình trong tất cả các biến và điều trị inmuno A, đối với trung tâm "trung bình", là 14,1% . Và bây giờ bắt đầu giải thích: theo giả định rằng các hiệu ứng ngẫu nhiên tuân theo phân phối bình thường, chúng tôi hy vọng sẽ có khoảng 95% trung tâm có giá trị trong phạm vi 2 độ lệch chuẩn của giá trị trung bình bằng 0, vì vậy xác suất được điều trị cho người bình thường sẽ khác nhau giữa các trung tâm với khoảng bảo hiểm là:

exp(-1.804469-2*0.6554)/(1+exp(-1.804469-2*0.6554))

exp(-1.804469+2*0.6554)/(1+exp(-1.804469+2*0.6554))

Điều này có đúng không?

Ngoài ra, làm thế nào tôi có thể kiểm tra độ sáng nếu độ biến thiên giữa các trung tâm có ý nghĩa thống kê? Tôi đã từng làm việc với MIXNO, một phần mềm tuyệt vời của Donald Hedeker và ở đó tôi có một lỗi tiêu chuẩn về phương sai ước tính, mà tôi không có trong ánh sáng. Làm thế nào tôi có thể có xác suất được đối xử với người đàn ông "trung bình" ở mỗi trung tâm, với một khoảng tin cậy?

Cảm ơn

$0.6554^2=0.4295$

(Nếu bạn làm rõ câu hỏi của bạn / thêm chi tiết về mô hình của bạn, tôi có thể cố gắng nói thêm.)

cập nhật : giải thích của bạn về các biến thể có vẻ đúng. Chính xác hơn

cc <- fixef(fitted_model)[1] ## intercept
ss <- sqrt(unlist(VarCorr(fitted_model))) ## random effects SD
plogis(qnorm(c(0.025,0.975),mean=cc,sd=ss))

sẽ cung cấp cho bạn khoảng thời gian 95% (không thực sự khá tự tin, nhưng rất giống nhau) cho xác suất của một cá nhân cơ bản (nam / tuổi trung bình / v.v.) được điều trị tại các bệnh viện.

Để kiểm tra tầm quan trọng của hiệu ứng ngẫu nhiên, bạn có nhiều lựa chọn (xem http://bbolker.github.io/mixedmodels-misc/glmmFAQ.html để biết thêm thông tin). (Lưu ý rằng lỗi tiêu chuẩn của phương sai RE thường không phải là cách đáng tin cậy để kiểm tra mức ý nghĩa, vì phân phối lấy mẫu thường bị lệch / không bình thường.) Cách tiếp cận đơn giản nhất là thực hiện kiểm tra tỷ lệ khả năng, ví dụ:

pchisq(2*(logLik(fitted_model)-logLik(fitted_model_without_RE)),
       df=1,lower.tail=FALSE)/2

Phép chia cuối cùng cho 2 điều chỉnh cho thực tế là phép thử tỷ lệ khả năng là bảo thủ khi giá trị null (tức là phương sai RE = 0) nằm trên ranh giới của không gian khả thi (nghĩa là phương sai RE không thể <0).