Logic của nhiều lần cắt (MI) là để tính các giá trị bị thiếu không chỉ một lần mà nhiều lần (thường là M = 5) lần, dẫn đến M bộ dữ liệu đã hoàn thành. Các bộ dữ liệu hoàn thành M sau đó được phân tích với các phương pháp dữ liệu hoàn chỉnh, theo đó các ước tính M và các lỗi tiêu chuẩn của chúng được kết hợp bằng các công thức của Rubin để có được ước tính "tổng thể" và sai số chuẩn của nó.
Tuyệt vời cho đến nay, nhưng tôi không chắc chắn làm thế nào để áp dụng công thức này khi các thành phần phương sai của mô hình hiệu ứng hỗn hợp được quan tâm. Phân phối lấy mẫu của một thành phần phương sai là không đối xứng - do đó, khoảng tin cậy tương ứng không thể được đưa ra ở dạng "ước tính ± 1,96 * se (ước tính)" điển hình. Vì lý do này, các gói R lme4 và nlme thậm chí không cung cấp các lỗi tiêu chuẩn của các thành phần phương sai, mà chỉ cung cấp các khoảng tin cậy.
Do đó, chúng ta có thể thực hiện MI trên tập dữ liệu và sau đó nhận được khoảng tin cậy M trên mỗi thành phần phương sai sau khi khớp cùng một mô hình hiệu ứng hỗn hợp trên bộ dữ liệu đã hoàn thành M. Câu hỏi là làm thế nào để kết hợp các khoảng M này thành một khoảng tin cậy "tổng thể".
Tôi đoán điều này là có thể - các tác giả của một bài báo (yucel & demirtas (2010) Tác động của các hiệu ứng ngẫu nhiên không bình thường lên suy luận của MI) dường như đã làm được, nhưng họ không giải thích chính xác làm thế nào.
Bất kỳ lời khuyên sẽ có nhiều nghĩa vụ!
Chúc mừng, Rok