Publikacje naukowe · Modele wielopoziomowe

Efekty wewnątrz- i międzyosobowe w danych podłużnych – jak je rozdzielić

Jeden współczynnik predyktora zmiennego w czasie miesza dwa różne pytania: co się dzieje, gdy osoba odbiega od swojej normy, i czym różnią się osoby między sobą. Na danych dzienniczkowych pokazujemy rozdzielenie efektów w lme4: centrowanie w osobie, model Mundlaka, losowe nachylenie, nierzetelną średnią osoby i opis do artykułu.

Strona główna / Blog / Efekty wewnątrz- i międzyosobowe
W skrócie: Predyktor mierzony wiele razy u tej samej osoby ma dwie części: średnią osoby (różnice między ludźmi) i odchylenie od tej średniej (wahania w czasie). Wpisz obie do modelu, zamiast jednego surowego predyktora. W przykładzie noc dłuższa o godzinę niż zwykle wiązała się ze stresem niższym o 0.41 pkt, a osoby śpiące przeciętnie o godzinę dłużej miały stres wyższy o 0.85 pkt; jeden współczynnik dał −0.36, a zwykła regresja prawie 0. Dodaj losowe nachylenie efektu wewnątrzosobowego i pamiętaj, że średnia z kilku dni jest nierzetelna.

Jeden współczynnik, dwa pytania

W badaniu dzienniczkowym pytasz, czy sen wiąże się ze stresem. Każda osoba podaje przez dwa tygodnie, ile spała i jak bardzo była zestresowana. Wpisujesz sen jako predyktor do modelu wielopoziomowego z losowym wyrazem wolnym i dostajesz jeden współczynnik. Odpowiada on jednak na dwa różne pytania naraz:

  • wewnątrz osoby: czy w dniu po nocy dłuższej niż zwykle ta sama osoba jest mniej zestresowana?
  • między osobami: czy osoby, które przeciętnie śpią dłużej, są przeciętnie mniej zestresowane?

Pierwsze dotyczy procesu u jednej osoby, drugie – różnic między ludźmi, na które wpływają ich stałe cechy. Curran i Bauer (2011) pokazują, że dane podłużne pozwalają te efekty rozdzielić, ale badacze często z tego nie korzystają. Hoffman i Stawski (2009) dodają, że niepełne wprowadzenie predyktora zmiennego w czasie zwykle obciąża oszacowania. Osoby trzeba traktować jak konteksty, w których zachodzą zmiany.

Ten wpis uzupełnia ogólny opis centrowania w haśle centrowanie zmiennych i przykład z pracownikami w zespołach z wpisu model wielopoziomowy krok po kroku. Tutaj chodzi o pomiary powtarzane u tych samych osób: efekty o przeciwnych znakach, trzy równoważne zapisy modelu, losowe nachylenie i nierzetelną średnią osoby.

Przykład: sen i stres w dzienniczku

Sto osób przez 14 dni rano notowało czas snu w godzinach, a wieczorem oceniało stres w ciągu dnia na skali 0–10. Około 10% dni pominięto, więc w analizie jest 1260 dni, średnio 12.6 na osobę. Dane są symulowane (set.seed(3471)) i możesz je pobrać jako plik CSV. Jeden wiersz to jeden dzień.

W symulacji zadaliśmy dwa przeciwne efekty. U każdej osoby noc o godzinę dłuższa niż jej norma obniża stres przeciętnie o 0.45 pkt, a siła tego efektu różni się między osobami. Jednocześnie osoby, które przeciętnie śpią o godzinę dłużej, mają stres wyższy o 0.90 pkt. Taki układ powstaje, gdy stała cecha osoby, np. przewlekła choroba albo nasilone objawy depresyjne, wydłuża czas w łóżku i podnosi stres. To scenariusz ilustracyjny, a nie wynik badań nad snem.

Średnio uczestnicy spali 7.00 h. Odchylenie standardowe średnich osób wynosi 0.59 h, a wahań dzień do dnia – 0.84 h. ICC snu wynosi .273, czyli 27.3% wariancji snu to różnice między osobami, a reszta to wahania wewnątrz osób. ICC stresu wynosi .313.

Wykres rozrzutu snu i stresu dla 12 osób: niebieskie linie w każdej osobie opadają (efekt wewnątrz osób b = −0.42), a przerywana czerwona linia przez średnie osób rośnie (b = 0.85)
Rysunek 1. Szare punkty to dni 12 wybranych osób, niebieskie odcinki – prosta regresji stresu na śnie w każdej z nich, czerwone punkty – średnie tych osób. Przerywana linia to regresja średnich stresu na średnich snu wszystkich 100 osób. Obliczenia: R (dane symulowane).

Rozdzielenie: odchylenie od normy i średnia osoby

Każdy pomiar predyktora rozkładasz na dwie części:

senij = sen̄i + (senij − sen̄i)

Pierwsza część to średnia osoby i ze wszystkich jej dni. Druga to odchylenie dnia j od tej średniej, czyli centrowanie w osobie (CWC, ang. centering within cluster, w danych podłużnych także person-mean centering). Odchylenie ma średnią 0 u każdej osoby, więc niesie wyłącznie zmienność wewnątrzosobową. Średnią osoby centrujesz do średniej wszystkich osób i wpisujesz jako predyktor poziomu 2. Enders i Tofighi (2007) podkreślają, że wybór sposobu centrowania wyznacza znaczenie współczynników i powinien wynikać z pytania badawczego. Jeśli pytasz o proces w osobie, potrzebujesz odchylenia.

W R obie zmienne tworzy funkcja demean() z pakietu datawizard: zwraca kolumny sen_between (średnia osoby) i sen_within (odchylenie). Średnie licz z tych samych wierszy, które trafią do modelu. Modele dopasowujemy w lme4 (Bates i in., 2015), a df liczymy metodą Satterthwaite’a z lmerTest (Kuznetsova i in., 2017).

Model z rozdzielonymi efektami daje dwa współczynniki o przeciwnych znakach. Wewnątrz osoby godzina snu ponad własną normę wiązała się ze stresem niższym o 0.417 pkt (SE = 0.038). Między osobami każda godzina przeciętnego snu więcej wiązała się z przeciętnym stresem wyższym o 0.850 pkt (SE = 0.124). Model z jednym współczynnikiem dał −0.358, a zwykła regresja na wszystkich dniach −0.006, 95% CI [−0.084, 0.072]. Na podstawie zwykłej regresji uznałbyś, że sen nie ma związku ze stresem. Ten sam mechanizm stoi za paradoksem Simpsona i błędem ekologicznym.

Wartość −0.358 nie jest średnią obu efektów. Model z losowym wyrazem wolnym waży informację wewnątrzosobową i międzyosobową według ich precyzji, a przy 12–13 dniach na osobę informacja wewnątrzosobowa przeważa. Przy innej liczbie dni albo innym ICC predyktora ten sam proces dałby inną liczbę, więc jeden współczynnik nie odpowiada na żadne z dwóch pytań.

CWC, Mundlak i efekty stałe: trzy zapisy jednego efektu

Efekt wewnątrzosobowy da się oszacować na trzy sposoby.

  1. CWC i średnia osoby. Współczynnik odchylenia to efekt wewnątrz osoby, a współczynnik średniej osoby – efekt między osobami.
  2. Model Mundlaka. Do modelu wchodzi surowy predyktor (albo wycentrowany do średniej ogólnej) i średnia osoby. Współczynnik predyktora to znów efekt wewnątrz osoby, a współczynnik średniej to efekt kontekstowy, czyli różnica efektu między osobami i wewnątrz osoby. To sformułowanie wywodzi się z pracy Mundlaka (1978). Bell i in. (2019) nazywają taki model losowym modelem within–between i zalecają go jako punkt wyjścia. Nazwę „model hybrydowy” uważają za mylącą.
  3. Efekty stałe osób. Regresja z osobną zmienną zero-jedynkową dla każdej osoby porównuje osobę wyłącznie z nią samą (zob. estymator efektów stałych). Daje efekt wewnątrz osoby, ale nie daje efektu między osobami ani efektów zmiennych stałych w czasie.

Hamaker i Muthén (2020) pokazują, że spór o efekty stałe i losowe w ekonometrii oraz spór o centrowanie w psychologii dotyczą w istocie tego samego problemu. W przykładzie trzy zapisy dały identyczny efekt wewnątrzosobowy. Ekonometryczną stronę tego zagadnienia, z testem Hausmana, opisuje wpis dane panelowe: FE, RE i test Hausmana.

Efekt snu na stres w różnych zapisach modelu: oszacowanie, błąd standardowy i 95% przedział ufności
ModelWspółczynnikb (SE)95% CI
Zwykła regresjasen (jeden efekt)−0.006 (0.040)[−0.084, 0.072]
Model mieszany, losowy wyraz wolnysen (jeden efekt)−0.358 (0.038)[−0.432, −0.284]
CWC + średnia osobywewnątrz osoby−0.417 (0.038)[−0.491, −0.343]
CWC + średnia osobymiędzy osobami0.850 (0.124)[0.607, 1.093]
Mundlaksen (wewnątrz osoby)−0.417 (0.038)[−0.491, −0.343]
Mundlakśrednia osoby (efekt kontekstowy)1.267 (0.130)[1.012, 1.522]
Efekty stałe osóbsen (wewnątrz osoby)−0.417 (0.038)[−0.491, −0.343]
CWC + losowe nachyleniewewnątrz osoby−0.406 (0.046)[−0.496, −0.316]
CWC + losowe nachyleniemiędzy osobami0.851 (0.123)[0.610, 1.092]

Efekt kontekstowy z modelu Mundlaka to dokładnie różnica 0.850 − (−0.417) = 1.267. Nie interpretuj go jako efektu między osobami. Mówi on, o ile różni się stres dwóch osób, które w danym dniu spały tyle samo, ale jedna z nich śpi przeciętnie o godzinę dłużej.

Wykres oszacowań z 95% CI: zwykła regresja −0.01, model mieszany z jednym współczynnikiem −0.36, efekt wewnątrz osoby −0.42 w CWC, Mundlaku i efektach stałych oraz −0.41 z losowym nachyleniem, efekt między osobami 0.85, efekt kontekstowy 1.27
Rysunek 2. Efekt godziny snu na stres w różnych modelach tych samych danych; odcinki to 95% CI, linie kropkowane – wartości zadane w symulacji (wewnątrz −0.45, między 0.90, kontekst 1.35). Obliczenia: R, pakiety lme4 i lmerTest (dane symulowane).

Losowe nachylenie efektu wewnątrzosobowego

Model z samym losowym wyrazem wolnym zakłada, że u każdej osoby dodatkowa godzina snu obniża stres o tyle samo. To założenie rzadko jest prawdziwe. Gdy osoby różnią się siłą efektu, a model to pomija, błąd standardowy efektu wewnątrzosobowego jest za mały. Bell i in. (2019) pokazali w symulacjach, że pominięcie losowych nachyleń daje zaniżone błędy standardowe. Hamaker i Muthén (2020) omawiają konsekwencje dodania losowych nachyleń do modelu z rozdzielonymi efektami.

Dodaliśmy więc losowe nachylenie odchylenia snu: (1 + sen_within | id). Średnia osoby jest stała u danej osoby, więc nie może mieć nachylenia zmiennego między osobami. Odchylenie standardowe nachyleń wyniosło 0.257, a test ilorazu wiarygodności wypadł χ²(2) = 8.34, p = .015. Wartość p jest tu konserwatywna, bo wariancja leży na granicy przestrzeni parametrów. Efekt wewnątrzosobowy wyniósł b = −0.406, SE = 0.046, t(89.44) = −8.77, p < .001. Błąd standardowy wzrósł z 0.038 do 0.046, a stopnie swobody Satterthwaite’a (89.44) są bliższe liczbie osób niż liczbie dni. O precyzji tego efektu decyduje teraz głównie liczba osób. Przewidywane nachylenia osób mieściły się w przedziale od −0.822 do 0.076. Ujemne nachylenie miało 99% osób.

Ile kosztuje pominięcie nachylenia, pokazuje symulacja z prawym panelem rysunku 3. Wygenerowaliśmy po 300 badań ze 100 osobami i 3, 5, 7, 14 albo 28 dniami. Przy 3 dniach 95% przedział ufności modelu bez losowego nachylenia obejmował prawdziwy efekt w 90% badań. Przy 14 dniach odsetek ten spadł do 82%, a przy 28 dniach do 71%. Model z losowym nachyleniem miał pokrycie od 91% do 95%. Im więcej dni, tym mniejszy błąd liczony z reszt, ale zmienność nachyleń między osobami zostaje. Gdy model z losowym nachyleniem się nie zbiega, skorzystaj z procedury z wpisu model mieszany się nie zbiega, zamiast od razu usuwać nachylenie. Jeśli pytasz, kto reaguje silniej, dodaj interakcję międzypoziomową z cechą osoby.

Średnia z kilku dni to nierzetelna miara osoby

Efekt między osobami wymaga przeciętnego poziomu snu każdej osoby. Znasz go jednak tylko ze średniej z kilkunastu nocy, a ta zawiera błąd losowy. Rzetelność obserwowanej średniej opisuje wzór Spearmana–Browna (zob. rzetelność wielopoziomowa):

λ = k · ICC / [1 + (k − 1) · ICC]

Przy ICC snu .273 i średnio 12.6 dniach rzetelność wynosi .825. Nierzetelna średnia nie tylko osłabia efekt. Błąd średniej to uśrednione odchylenia dzień do dnia, a te mają własny, wewnątrzosobowy związek ze stresem. Dlatego oszacowanie efektu między osobami przesuwa się w stronę efektu wewnątrzosobowego:

bmiędzy, obs. ≈ λ · βmiędzy + (1 − λ) · βwewnątrz

Przy przeciwnych znakach to obciążenie jest szczególnie mylące. W symulacji przy 3 dniach efekt między osobami wyniósł średnio 0.31 zamiast 0.90, przy 7 dniach 0.57, przy 14 dniach 0.72, a przy 28 dniach 0.80. Wartości ze wzoru (0.32, 0.57, 0.71, 0.80) prawie pokrywają się z symulacją. Efekt wewnątrzosobowy pozostał nieobciążony przy każdej liczbie dni (średnio od −0.455 do −0.439). Oszacowanie z naszej próby (0.85) wypadło bliżej prawdy niż przeciętne, ale na to nie licz.

Lüdtke i in. (2008) opisali ten problem dla średnich grup w badaniach kontekstowych. Pokazali, że traktowanie obserwowanej średniej jako bezbłędnej obciąża efekty kontekstowe i zaniża ich błędy standardowe. Zaproponowali model z latentną kowariantą. Ta sama logika dotyczy średniej osoby z kilku pomiarów. W praktyce masz trzy wyjścia:

  • planuj więcej pomiarów, gdy efekt między osobami jest ważnym pytaniem;
  • podaj rzetelność średniej osoby i ostrożnie interpretuj efekt między osobami, gdy jest niska;
  • użyj centrowania latentnego, w którym średnia osoby jest zmienną latentną, np. w dwupoziomowym SEM albo w dynamicznym SEM (ten opisujemy we wpisie model autoregresyjny i braki danych w ESM).
Dwa wykresy względem liczby dni na osobę: średni efekt między osobami rośnie od 0.31 przy 3 dniach do 0.80 przy 28 dniach (prawda 0.90); pokrycie 95% CI efektu wewnątrz spada od .90 do .71 bez losowego nachylenia i wynosi .91–.95 z losowym nachyleniem
Rysunek 3. Wyniki 300 symulowanych badań (100 osób) dla każdej liczby dni. Lewy panel: średnie oszacowanie efektu między osobami przy obserwowanej średniej osoby; kropkowana linia wartości ze wzoru prawie pokrywa się z czerwoną. Prawy panel: odsetek 95% przedziałów ufności efektu wewnątrzosobowego, które obejmują prawdziwą wartość −0.45 (błąd Monte Carlo ±.013). Obliczenia: R, pakiet lme4 (dane symulowane).

Trend w czasie i inne pułapki danych podłużnych

Odchylenie od średniej osoby zawiera wszystko, co zmienia się w czasie, także systematyczny trend. Jeśli w trakcie badania stres i sen jednocześnie rosną lub maleją, np. przed sesją egzaminacyjną, efekt wewnątrzosobowy połączy dzienną współzmienność z trendem. Wang i Maxwell (2015) porównali sposoby centrowania i usuwania trendu (ang. detrending) z X, z Y albo z obu zmiennych. Podają zalecenia, kiedy trend trzeba usunąć i jak to zrobić. Najprostsze sprawdzenie to dodanie czasu jako predyktora poziomu 1. W przykładzie dzień badania nie miał związku ze stresem (b = 0.004, SE = 0.008, p = .659), a efekt wewnątrzosobowy się nie zmienił (−0.406). Gdy pytasz o samą zmianę w czasie, skorzystaj z modeli wzrostu (zob. modele wzrostu w lme4).

Przy opóźnionej zmiennej zależnej centrowanie w osobie obciąża efekt autoregresyjny (zob. wpis o modelu autoregresyjnym). Przy kilku falach panelu w SEM tę samą logikę realizuje RI-CLPM z wpisu modele cross-lagged. Rozdzielenie wskaźnika dynamiki pokazuje wpis zmienność regulacji emocji w ESM, a przygotowanie danych – wpis badania dzienniczkowe i EMA.

Pamiętaj też, że efekt wewnątrzosobowy nie jest automatycznie przyczynowy. Usuwa wpływ stałych cech osób, ale nie usuwa czynników zmiennych w czasie (np. dnia z chorobą, który skraca sen i podnosi stres) ani odwrotnego kierunku zależności.

Jak opisać rozdzielenie efektów w artykule

Podaj, jak utworzono obie części predyktora i z jakich wierszy liczono średnie, strukturę efektów losowych, oba efekty z CI, liczbę osób i pomiarów oraz ICC predyktora. Ogólne zasady raportowania znajdziesz we wpisie jak opisać wyniki modelu mieszanego.

Czas snu rozdzielono na składnik wewnątrzosobowy (odchylenie od średniej osoby ze wszystkich dni z danymi) i międzyosobowy (średnia osoby wycentrowana do średniej wszystkich osób, M = 7.00 h). ICC snu wyniosło .273, a rzetelność średniej osoby przy średnio 12.6 dniach – .825. Model mieszany (lme4, REML, df Satterthwaite'a) zawierał losowy wyraz wolny i losowe nachylenie składnika wewnątrzosobowego dla osób (100 osób, 1260 dni). W dniach po nocy dłuższej niż zwykle stres był niższy, b = −0.41, SE = 0.05, 95% CI [−0.50, −0.32], t(89.44) = −8.77, p < .001. Osoby, które przeciętnie spały dłużej, zgłaszały jednak wyższy przeciętny stres, b = 0.85, SE = 0.12, 95% CI [0.61, 1.09], t(97.80) = 6.91, p < .001. Siła efektu wewnątrzosobowego różniła się między osobami (SD = 0.26). Dodanie dnia badania nie zmieniło wyników.

Jeśli potrzebujesz kogoś, kto sprawdzi taki model przed wysłaniem artykułu, zajrzyj do oferty analiz statystycznych dla badaczy.

Przykład reprodukowalny

Przykład w R

Dwa przepisy. Pierwszy tworzy dane i zapisuje plik sen-stres-dzienniczek.csv (możesz go pobrać tutaj), a potem dopasowuje wszystkie modele z tekstu. Drugi to symulacja do rysunku 3; liczy się około dwóch minut. Potrzebne pakiety: lme4, lmerTest i datawizard.

1. Dane, rozdzielenie snu i porównanie modeli

Dane wejściowe: 100 osób × 14 dni, sen (h) i stres (0–10), ok. 10% pominiętych dni (dane symulowane, set.seed(3471)).

Co odczytać: liczbę osób i dni, SD średnich osób i wahań, ICC, rzetelność średniej osoby, tabelę oszacowań we wszystkich modelach, efekt kontekstowy jako różnicę, model z losowym nachyleniem (df Satterthwaite’a, SD nachyleń, test LRT, 95% CI), zakres nachyleń osób i model z dniem badania.

R
# Krok 1. Dane dzienniczkowe: sen i stres u 100 osób przez 14 dni (dane symulowane)
# Prawda w symulacji: wewnątrz osoby +1 h snu ponad własną normę = stres niższy o 0.45 pkt,
# między osobami +1 h przeciętnego snu = przeciętny stres wyższy o 0.90 pkt (cecha stała osoby).
suppressPackageStartupMessages({library(lme4); library(lmerTest); library(datawizard)})
set.seed(3471)
N <- 100; dni <- 14
osoby <- data.frame(id = 1:N, sen_os = rnorm(N, 7, 0.6),          # przeciętny sen osoby (h)
                    u0 = rnorm(N, 0, 0.7), u1 = rnorm(N, 0, 0.35))  # odchylenia poziomu i nachylenia
d <- merge(expand.grid(id = 1:N, dzien = 1:dni), osoby, by = "id")
d$sen <- d$sen_os + rnorm(nrow(d), 0, 0.9)                          # sen w danej nocy
d$stres <- 4.5 + 0.90 * (d$sen_os - 7) + (-0.45 + d$u1) * (d$sen - d$sen_os) + d$u0 +
  rnorm(nrow(d), 0, 1.1)
d$sen <- round(d$sen, 1); d$stres <- round(pmin(pmax(d$stres, 0), 10), 1)  # stres 0–10
d <- d[order(d$id, d$dzien), c("id", "dzien", "sen", "stres")]
d[runif(nrow(d)) < .10, c("sen", "stres")] <- NA                    # ok. 10% pominiętych dni
write.csv(d, "sen-stres-dzienniczek.csv", row.names = FALSE)
d <- na.omit(d)
c(osoby = length(unique(d$id)), dni_z_danymi = nrow(d))

# Rozdzielenie snu na część między- i wewnątrzosobową (datawizard::demean)
d <- cbind(d, demean(d, select = "sen", by = "id"))   # sen_between (średnia osoby), sen_within (odchylenie)
sr_ogolna <- mean(tapply(d$sen, d$id, mean))
d$sen_b <- d$sen_between - sr_ogolna                   # średnia osoby wycentrowana do średniej osób
d$sen_gc <- d$sen - sr_ogolna                          # sen wycentrowany do średniej ogólnej
round(c(sr_ogolna = sr_ogolna, sd_srednich_osob = sd(tapply(d$sen, d$id, mean)),
        sd_wewnatrz = sd(d$sen_within)), 2)

# ICC snu i stresu: jaka część wariancji to różnice między osobami
icc <- function(m) { v <- as.data.frame(VarCorr(m))$vcov; v[1] / sum(v) }
icc_sen <- icc(lmer(sen ~ 1 + (1 | id), d))
round(c(ICC_sen = icc_sen, ICC_stres = icc(lmer(stres ~ 1 + (1 | id), d))), 3)

# Rzetelność średniej osoby (wzór Spearmana–Browna dla średniej z k dni)
k_sr <- mean(table(d$id))
round(c(sr_liczba_dni = k_sr, rzetelnosc_sredniej = k_sr * icc_sen / (1 + (k_sr - 1) * icc_sen)), 3)

# Modele: jeden współczynnik a rozdzielone efekty
m_ols  <- lm(stres ~ sen_gc, data = d)                                # zwykła regresja na wszystkich dniach
m_jed  <- lmer(stres ~ sen_gc + (1 | id), data = d)                   # jeden współczynnik, losowy wyraz wolny
m_cwc  <- lmer(stres ~ sen_within + sen_b + (1 | id), data = d)       # CWC + średnia osoby
m_mund <- lmer(stres ~ sen_gc + sen_b + (1 | id), data = d)           # Mundlak: surowy sen + średnia osoby
m_fe   <- lm(stres ~ sen + factor(id), data = d)                      # efekty stałe osób
m_ln   <- lmer(stres ~ sen_within + sen_b + (1 + sen_within | id), data = d)  # + losowe nachylenie
wsp <- function(m, x) { s <- coef(summary(m))[x, ]; c(b = s[["Estimate"]], SE = s[["Std. Error"]]) }
tab <- rbind(
  "regresja, jeden wsp."           = wsp(m_ols, "sen_gc"),
  "model mieszany, jeden wsp."     = wsp(m_jed, "sen_gc"),
  "CWC: efekt wewnątrz"            = wsp(m_cwc, "sen_within"),
  "CWC: efekt między"              = wsp(m_cwc, "sen_b"),
  "Mundlak: sen (wewnątrz)"        = wsp(m_mund, "sen_gc"),
  "Mundlak: średnia (kontekst)"    = wsp(m_mund, "sen_b"),
  "efekty stałe osób"              = wsp(m_fe, "sen"),
  "losowe nachylenie: wewnątrz"    = wsp(m_ln, "sen_within"),
  "losowe nachylenie: między"      = wsp(m_ln, "sen_b"))
tab <- data.frame(model = rownames(tab), round(tab, 3), row.names = NULL)
tab$dolna <- round(tab$b - 1.96 * tab$SE, 3); tab$gorna <- round(tab$b + 1.96 * tab$SE, 3)
print(tab, row.names = FALSE)
write.csv(tab, "oszacowania-modeli.csv", row.names = FALSE)

# Efekt kontekstowy = efekt między − efekt wewnątrz (sprawdzenie zgodności CWC i Mundlaka)
round(fixef(m_cwc)[["sen_b"]] - fixef(m_cwc)[["sen_within"]], 3)

# Model z losowym nachyleniem: efekty stałe z df Satterthwaite'a, SD nachyleń, test LRT
round(coef(summary(m_ln)), 3)
print(VarCorr(m_ln), comp = "Std.Dev.", digits = 3)
anova(m_ln, m_cwc, refit = FALSE)
round(confint(m_ln, parm = c("sen_within", "sen_b"), method = "Wald"), 3)

# Odsetek osób z ujemnym nachyleniem wewnątrzosobowym (przewidywania BLUP)
nach <- coef(m_ln)$id$sen_within
round(c(min = min(nach), max = max(nach), odsetek_ujemnych = mean(nach < 0)), 3)

# Kontrola trendu w czasie: dzień badania jako predyktor poziomu 1
d$dzien_c <- d$dzien - 7.5
m_tr <- lmer(stres ~ sen_within + sen_b + dzien_c + (1 + sen_within | id), data = d)
round(coef(summary(m_tr))[, c("Estimate", "Std. Error", "Pr(>|t|)")], 3)
Wynik w R
       osoby dni_z_danymi 
         100         1260 
       sr_ogolna sd_srednich_osob      sd_wewnatrz 
            7.00             0.59             0.84 
  ICC_sen ICC_stres 
    0.273     0.313 
      sr_liczba_dni rzetelnosc_sredniej 
             12.600               0.825 
                       model      b    SE  dolna  gorna
        regresja, jeden wsp. -0.006 0.040 -0.084  0.072
  model mieszany, jeden wsp. -0.358 0.038 -0.432 -0.284
         CWC: efekt wewnątrz -0.417 0.038 -0.491 -0.343
           CWC: efekt między  0.850 0.124  0.607  1.093
     Mundlak: sen (wewnątrz) -0.417 0.038 -0.491 -0.343
 Mundlak: średnia (kontekst)  1.267 0.130  1.012  1.522
           efekty stałe osób -0.417 0.038 -0.491 -0.343
 losowe nachylenie: wewnątrz -0.406 0.046 -0.496 -0.316
   losowe nachylenie: między  0.851 0.123  0.610  1.092
[1] 1.267
            Estimate Std. Error     df t value Pr(>|t|)
(Intercept)    4.609      0.073 97.877  63.066        0
sen_within    -0.406      0.046 89.442  -8.767        0
sen_b          0.851      0.123 97.801   6.905        0
 Groups   Name        Std.Dev. Corr 
 id       (Intercept) 0.657         
          sen_within  0.257    0.19 
 Residual             1.129         
Data: d
Models:
m_cwc: stres ~ sen_within + sen_b + (1 | id)
m_ln: stres ~ sen_within + sen_b + (1 + sen_within | id)
      npar    AIC    BIC  logLik -2*log(L) Chisq Df Pr(>Chisq)  
m_cwc    5 4109.0 4134.7 -2049.5    4099.0                      
m_ln     7 4104.7 4140.6 -2045.3    4090.7 8.338  2    0.01547 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
            2.5 % 97.5 %
sen_within -0.497 -0.316
sen_b       0.610  1.093
             min              max odsetek_ujemnych 
          -0.822            0.076            0.990 
            Estimate Std. Error Pr(>|t|)
(Intercept)    4.609      0.073    0.000
sen_within    -0.406      0.046    0.000
sen_b          0.852      0.123    0.000
dzien_c        0.004      0.008    0.659

2. Symulacja: liczba dni, efekt między osobami i pokrycie CI

Dane wejściowe: 300 badań ze 100 osobami dla 3, 5, 7, 14 i 28 dni, ten sam mechanizm danych bez braków (set.seed(3472)).

Co odczytać: sr_miedzy (średni efekt między osobami) obok wartości ze wzoru (oczekiwany) i rzetelności średniej, sr_wewn oraz pokrycie 95% CI efektu wewnątrzosobowego w modelu bez losowego nachylenia (pokrycie_ri) i z nim (pokrycie_ln). Ostrzeżenia lme4 dotyczą pojedynczych dopasowań z losowym nachyleniem.

R
# Krok 2. Symulacja: ile dni potrzeba, by średnia osoby dobrze reprezentowała jej przeciętny sen,
# i co daje pominięcie losowego nachylenia (ten sam mechanizm danych co w kroku 1, bez braków)
suppressPackageStartupMessages({library(lme4)})
generuj <- function(N, dni) {
  sen_os <- rnorm(N, 7, 0.6); u0 <- rnorm(N, 0, 0.7); u1 <- rnorm(N, 0, 0.35)
  id <- rep(1:N, each = dni); sen <- sen_os[id] + rnorm(N * dni, 0, 0.9)
  stres <- 4.5 + 0.90 * (sen_os[id] - 7) + (-0.45 + u1[id]) * (sen - sen_os[id]) + u0[id] +
    rnorm(N * dni, 0, 1.1)
  sr <- ave(sen, id)                                   # obserwowana średnia osoby
  data.frame(id = factor(id), stres, sen_w = sen - sr, sen_b = sr - mean(sr))
}
jedno <- function(N, dni) {
  d <- generuj(N, dni)
  m_ri <- lmer(stres ~ sen_w + sen_b + (1 | id), data = d)
  m_ln <- suppressMessages(lmer(stres ~ sen_w + sen_b + (1 + sen_w | id), data = d))
  s1 <- coef(summary(m_ri)); s2 <- coef(summary(m_ln))
  c(miedzy = s1["sen_b", 1], wewn = s1["sen_w", 1],
    pokrycie_ri = abs(s1["sen_w", 1] + 0.45) < 1.96 * s1["sen_w", 2],
    pokrycie_ln = abs(s2["sen_w", 1] + 0.45) < 1.96 * s2["sen_w", 2])
}
set.seed(3472)
R <- 300; siatka <- c(3, 5, 7, 14, 28)
wyn <- do.call(rbind, lapply(siatka, function(k) {
  w <- t(replicate(R, jedno(N = 100, dni = k)))
  data.frame(dni = k, sr_miedzy = mean(w[, "miedzy"]), sr_wewn = mean(w[, "wewn"]),
             pokrycie_ri = mean(w[, "pokrycie_ri"]), pokrycie_ln = mean(w[, "pokrycie_ln"]))
}))
# Rzetelność średniej osoby i oczekiwany efekt między osobami przy obserwowanej średniej:
# lambda = tau² / (tau² + sigma²/k); E(b_między) = lambda·0.90 + (1 − lambda)·(−0.45)
tau2 <- 0.6^2; s2 <- 0.9^2
wyn$rzetelnosc <- tau2 / (tau2 + s2 / wyn$dni)
wyn$oczekiwany <- wyn$rzetelnosc * 0.90 + (1 - wyn$rzetelnosc) * (-0.45)
wyn$mcse_pokrycia <- sqrt(.95 * .05 / R)
print(round(wyn, 3), row.names = FALSE)
write.csv(round(wyn, 4), "symulacja-dni.csv", row.names = FALSE)
Wynik w R
Warning: Model failed to converge with 1 negative eigenvalue: -2.3e+00
Warning in checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
  Model failed to converge with max|grad| = 0.00602809 (tol = 0.002, component 1)
  See ?lme4::convergence and ?lme4::troubleshooting.
Warning in checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
  Model failed to converge with max|grad| = 0.00383155 (tol = 0.002, component 1)
  See ?lme4::convergence and ?lme4::troubleshooting.
Warning: Model failed to converge with 1 negative eigenvalue: -1.2e+00
 dni sr_miedzy sr_wewn pokrycie_ri pokrycie_ln rzetelnosc oczekiwany
   3     0.310  -0.439       0.903       0.937      0.571      0.321
   5     0.467  -0.447       0.887       0.940      0.690      0.481
   7     0.566  -0.444       0.890       0.943      0.757      0.572
  14     0.724  -0.451       0.820       0.947      0.862      0.713
  28     0.802  -0.455       0.707       0.913      0.926      0.800
 mcse_pokrycia
         0.013
         0.013
         0.013
         0.013
         0.013

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia przepisów 1–2 w R 4.5.3 z pakietami lme4, lmerTest i datawizard; rysunki przygotowano w pakietach ggplot2 i patchwork.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  3. lmerTest (wersja 3.2.1): Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13
  4. datawizard (wersja 1.3.0): Patil, I., Makowski, D., Ben-Shachar, M. S., Wiernik, B. M., Bacher, E., & Lüdecke, D. (2022). datawizard: An R package for easy data preparation and statistical transformations. Journal of Open Source Software, 7(78), 4684. https://doi.org/10.21105/joss.04684
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  6. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Interpretacja efektu między osobami jako procesu w osobie. „Osoby śpiące dłużej są bardziej zestresowane” nie znaczy, że dłuższy sen podnosi stres. To dwa różne pytania.
  • Średnie liczone z innych wierszy niż model. Jeśli usuwasz dni z brakami w zmiennej zależnej, policz średnie osób dopiero po ich usunięciu.
  • Brak losowego nachylenia przy wielu pomiarach. Przedziały ufności efektu wewnątrzosobowego są wtedy za wąskie, tym bardziej, im więcej dni.
  • Silne wnioski o efekcie między osobami z kilku pomiarów. Przy 3–5 dniach efekt jest silnie przesunięty w stronę efektu wewnątrzosobowego.

Najczęstsze pytania

Czym różni się efekt wewnątrzosobowy od międzyosobowego?

Efekt wewnątrzosobowy opisuje, co dzieje się z wynikiem, gdy ta sama osoba ma wyższą niż zwykle wartość predyktora (np. śpi dłużej niż zwykle). Efekt międzyosobowy porównuje osoby o różnym przeciętnym poziomie predyktora. Mogą mieć różną siłę, a nawet przeciwne znaki, bo na efekt międzyosobowy wpływają stałe cechy osób.

Jak policzyć odchylenie od średniej osoby w R?

Policz średnią predyktora dla każdej osoby (ave() albo datawizard::demean(d, select = "x", by = "id")) i odejmij ją od każdego pomiaru. Do modelu wpisz to odchylenie oraz średnią osoby wycentrowaną do średniej wszystkich osób. Średnie licz z tych samych wierszy, które trafią do modelu.

Czy model Mundlaka daje to samo co efekty stałe?

Tak, w zakresie efektu wewnątrzosobowego. W przykładzie model z surowym predyktorem i średnią osoby, model z centrowaniem w osobie i regresja z efektami stałymi osób dały ten sam współczynnik −0.417 (SE = 0.038). Model Mundlaka dodatkowo pozwala oszacować efekty predyktorów stałych w czasie i losowe nachylenia.

Czy efekt wewnątrzosobowy powinien mieć losowe nachylenie?

Zwykle tak, jeśli liczba pomiarów na osobę na to pozwala. Gdy osoby różnią się siłą efektu, a model ma tylko losowy wyraz wolny, błąd standardowy efektu wewnątrzosobowego jest za mały. W symulacji przy 28 dniach 95% przedział ufności takiego modelu obejmował prawdziwą wartość tylko w 71% badań, a model z losowym nachyleniem w 91%.

Ile pomiarów na osobę potrzeba, żeby oszacować efekt międzyosobowy?

Zależy od rzetelności średniej osoby, czyli od tego, ile zmienności predyktora przypada na różnice między osobami. Przy 3 dniach efekt międzyosobowy w symulacji wyniósł średnio 0.31 zamiast 0.90, przy 14 dniach 0.72, a przy 28 dniach 0.80. Przy kilku pomiarach rozważ centrowanie latentne.

Powiązane hasła

Przeczytaj też

Masz dane podłużne i nie wiesz, który efekt raportujesz?

Pomożemy rozdzielić efekty wewnątrz- i międzyosobowe, dobrać strukturę efektów losowych i sprawdzić analizę tak, żebyś mógł(a) samodzielnie opisać i obronić wyniki przed recenzentami.

Oferta dla badaczyPorozmawiaj o projekcie

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01 ● Otwarty dostęp
  2. Bell, A., Fairbrother, M., & Jones, K. (2019). Fixed and random effects models: Making an informed choice. Quality & Quantity, 53(2), 1051–1074. https://doi.org/10.1007/s11135-018-0802-x ● Otwarty dostęp
  3. Curran, P. J., & Bauer, D. J. (2011). The disaggregation of within-person and between-person effects in longitudinal models of change. Annual Review of Psychology, 62(1), 583–619. https://doi.org/10.1146/annurev.psych.093008.100356 ● Otwarty dostęp: pełny tekst
  4. Enders, C. K., & Tofighi, D. (2007). Centering predictor variables in cross-sectional multilevel models: A new look at an old issue. Psychological Methods, 12(2), 121–138. https://doi.org/10.1037/1082-989x.12.2.121
  5. Hamaker, E. L., & Muthén, B. (2020). The fixed versus random effects debate and how it relates to centering in multilevel modeling. Psychological Methods, 25(3), 365–379. https://doi.org/10.1037/met0000239 ● Otwarty dostęp: pełny tekst
  6. Hoffman, L., & Stawski, R. S. (2009). Persons as contexts: Evaluating between-person and within-person effects in longitudinal analysis. Research in Human Development, 6(2–3), 97–120. https://doi.org/10.1080/15427600902911189
  7. Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13 ● Otwarty dostęp
  8. Lüdtke, O., Marsh, H. W., Robitzsch, A., Trautwein, U., Asparouhov, T., & Muthén, B. (2008). The multilevel latent covariate model: A new, more reliable approach to group-level effects in contextual studies. Psychological Methods, 13(3), 203–229. https://doi.org/10.1037/a0012869
  9. Mundlak, Y. (1978). On the pooling of time series and cross section data. Econometrica, 46(1), 69–85. https://doi.org/10.2307/1913646
  10. Wang, L. P., & Maxwell, S. E. (2015). On disaggregating between-person and within-person effects with longitudinal data using multilevel models. Psychological Methods, 20(1), 63–83. https://doi.org/10.1037/met0000030

Cytowania BibTeX

@article{bates2015fitting, author={Bates, Douglas and Mächler, Martin and Bolker, Ben and Walker, Steve}, title={{Fitting linear mixed-effects models using lme4}}, journal={Journal of Statistical Software}, year={2015}, volume={67}, number={1}, pages={1--48}, doi={10.18637/jss.v067.i01}}
@article{bell2019fixed, author={Bell, Andrew and Fairbrother, Malcolm and Jones, Kelvyn}, title={{Fixed and random effects models: Making an informed choice}}, journal={Quality \& Quantity}, year={2019}, volume={53}, number={2}, pages={1051--1074}, doi={10.1007/s11135-018-0802-x}}
@article{curran2011disaggregation, author={Curran, Patrick J. and Bauer, Daniel J.}, title={{The disaggregation of within-person and between-person effects in longitudinal models of change}}, journal={Annual Review of Psychology}, year={2011}, volume={62}, number={1}, pages={583--619}, doi={10.1146/annurev.psych.093008.100356}}
@article{enders2007centering, author={Enders, Craig K. and Tofighi, Davood}, title={{Centering predictor variables in cross-sectional multilevel models: A new look at an old issue}}, journal={Psychological Methods}, year={2007}, volume={12}, number={2}, pages={121--138}, doi={10.1037/1082-989x.12.2.121}}
@article{hamaker2020fixed, author={Hamaker, Ellen L. and Muthén, Bengt}, title={{The fixed versus random effects debate and how it relates to centering in multilevel modeling}}, journal={Psychological Methods}, year={2020}, volume={25}, number={3}, pages={365--379}, doi={10.1037/met0000239}}
@article{hoffman2009persons, author={Hoffman, Lesa and Stawski, Robert S.}, title={{Persons as contexts: Evaluating between-person and within-person effects in longitudinal analysis}}, journal={Research in Human Development}, year={2009}, volume={6}, number={2–3}, pages={97--120}, doi={10.1080/15427600902911189}}
@article{kuznetsova2017lmertest, author={Kuznetsova, Alexandra and Brockhoff, Per B. and Christensen, Rune H. B.}, title={{lmerTest package: Tests in linear mixed effects models}}, journal={Journal of Statistical Software}, year={2017}, volume={82}, number={13}, pages={1--26}, doi={10.18637/jss.v082.i13}}
@article{ludtke2008multilevel, author={Lüdtke, Oliver and Marsh, Herbert W. and Robitzsch, Alexander and Trautwein, Ulrich and Asparouhov, Tihomir and Muthén, Bengt}, title={{The multilevel latent covariate model: A new, more reliable approach to group-level effects in contextual studies}}, journal={Psychological Methods}, year={2008}, volume={13}, number={3}, pages={203--229}, doi={10.1037/a0012869}}
@article{mundlak1978pooling, author={Mundlak, Yair}, title={{On the pooling of time series and cross section data}}, journal={Econometrica}, year={1978}, volume={46}, number={1}, pages={69--85}, doi={10.2307/1913646}}
@article{wang2015disaggregating, author={Wang, Lijuan Peggy and Maxwell, Scott E.}, title={{On disaggregating between-person and within-person effects with longitudinal data using multilevel models}}, journal={Psychological Methods}, year={2015}, volume={20}, number={1}, pages={63--83}, doi={10.1037/met0000030}}
R