Answers:
嵌套与非嵌套可能意味着很多事情。您有嵌套设计与交叉设计(请参见此说明)。您已在模型比较中嵌套了模型。嵌套在这里意味着较小模型的所有项都出现在较大模型中。这是使用大多数模型比较测试(如似然比测试)的必要条件。
在多层次模型的背景下,我认为最好谈论嵌套和非嵌套因素。不同之处在于不同因素如何相互关联。在嵌套设计中,一个因素的水平仅在另一因素的水平内才有意义。
假设您要测量叶子的氧气产量。您对许多树种进行采样,并且在每棵树上,对树的底部,中间和顶部的一些叶子进行采样。这是一个嵌套设计。叶子在不同位置的差异仅在一种树种内才有意义。因此,比较所有树木的底叶,中叶和顶叶是没有意义的。或换句话说:不应该将叶片位置建模为主要效果。
非嵌套因素是两个不相关的因素的组合。假设您正在研究患者,并且对年龄和性别的差异感兴趣。因此,您具有不相关的因子年龄等级和因子性别。您应该同时对年龄和性别进行建模,并在必要时查看交互作用。
区别并不总是那么明显。如果在我的第一个示例中,树种在形式和生理上紧密相关,那么您也可以将叶的位置视为有效的主要效果。在许多情况下,选择嵌套设计还是选择非嵌套设计,更多的是研究人员的决定,而不是真实的事实。
如果您始终可以通过约束第二个模型的某些参数来获得第一个模型,则一个模型将嵌套在另一个模型中。例如,线性模型嵌套在2度多项式,因为通过将b = 0设置为2度。多项式变得与线性形式相同。换句话说,线是多项式的特例,因此两者是嵌套的。y = a x + b x 2 + c
如果嵌套两个模型,则主要含义是相对容易地进行统计比较。简而言之,使用嵌套模型,您可以将较复杂的模型视为通过向更简单的“空模型”中添加一些内容来构造的模型。因此,要从这两个模型中选择最好的,您只需找出是否添加了某些内容即可解释数据中大量的其他差异。这种情况实际上等效于首先拟合简单模型,然后从数据中删除其预测方差,然后将较复杂模型的其他成分拟合到第一次拟合的残差中(至少使用最小二乘估计)。
非嵌套模型可以解释数据中方差的完全不同部分。如果复杂模型不包含简单模型确实具有的“正确的东西”,那么复杂模型甚至可以解释比简单模型更少的方差。因此,在那种情况下,很难预测在两个模型均能很好地解释数据的原假设下会发生什么。
更重要的是,在原假设(并给出某些中等假设)下,两个嵌套模型之间的拟合优度差异遵循已知分布,其形状仅取决于两者之间的自由度差异楷模。对于非嵌套模型则不是这样。
如果无法获得一个模型作为另一个模型的限制(或者一个模型不是另一个模型的特殊情况),则两个模型是非estest或独立的
您询问了嵌套模型和非嵌套模型之间的区别。看到:
第一次处理非嵌套或非嵌套模型的主题或我即将出版的书:分离或非嵌套模型的选择。
在此pdf中查看更简单的答案。本质上,嵌套模型是一个变量少于完整模型的模型。一种目的是寻找更简约的答案。