Słownik metodologiczny · Modele regresji

Uogólniony liniowy model mieszany (GLMM) – regresja logistyczna i Poissona dla danych zagnieżdżonych

GLMM to model mieszany dla wyniku 0/1 albo zliczeń. Pokazujemy wzór z losowym wyrazem wolnym, przykład w R z uczniami w klasach i gotowy opis do pracy.

W skrócie: GLMM to regresja logistyczna, Poissona lub inny model uogólniony z efektami losowymi. Stosuj go, gdy wynik jest binarny albo jest zliczeniem, a obserwacje są zagnieżdżone w skupieniach. Iloraz szans z GLMM dotyczy porównania w obrębie tego samego skupienia.

Co to jest GLMM?

Uogólniony liniowy model mieszany (ang. generalized linear mixed model, GLMM) łączy dwie rzeczy: rozkład wyniku inny niż normalny, jak w regresji logistycznej czy regresji Poissona, oraz zależność obserwacji, jak w modelu wielopoziomowym. Używasz go, gdy wynik jest binarny albo jest zliczeniem, a dane mają skupienia: uczniów w klasach, pacjentów w oddziałach, wiele prób u tej samej osoby.

Jak to działa

Model ma efekty stałe i losowe, ale liczy je na skali funkcji łączącej: logitu dla wyniku 0/1, logarytmu dla zliczeń. Losowy wyraz wolny pozwala każdej klasie mieć własny poziom bazowy.

logit(pij) = β0 + β1xij + uj,   uj ~ N(0, τ²)

pij to prawdopodobieństwo zdarzenia u osoby i w skupieniu j, a τ² to wariancja między skupieniami. W R taki model dopasujesz funkcją glmer() z pakietu lme4 (Bates i in., 2015). Sommet i Morselli (2017) proponują dla wielopoziomowej regresji logistycznej trzy kroki: model pusty z ICC, test, czy nachylenie różni się między skupieniami, i model końcowy z ilorazami szans.

Przykład

Zbadano 400 uczniów z 20 klas: czy zaliczyli test (56% zaliczeń) i ile godzin się uczyli (dane symulowane). Każda dodatkowa godzina nauki zwiększała szanse zaliczenia, OR = 1.36, 95% CI [1.25, 1.48], z = 7.26, p < .001. Wariancja losowego wyrazu wolnego wyniosła τ² = 0.29, co na skali logitów daje ICC = .08.

Na rysunku

Panel A pokazuje model z przykładu: szare krzywe to przewidywania dla 20 klas (efekt stały + efekt losowy klasy), niebieska – dla klasy przeciętnej (u = 0), a przerywana – średnie prawdopodobieństwo zaliczenia po wszystkich klasach. Panel B to wariant fikcyjny: te same efekty stałe, ale τ² = 4 (wartość wybrana ręcznie, by różnica była wyraźna).

Dwa panele z krzywymi prawdopodobieństwa zaliczenia w zależności od godzin nauki od 0 do 10. Panel A, τ² = 0.29: 20 szarych krzywych klas leży blisko siebie, a niebieska ciągła krzywa klasy przeciętnej i pomarańczowa przerywana krzywa średnia prawie się pokrywają, od około 0.21 do 0.85. Panel B, τ² = 4: szare krzywe rozchodzą się od prawie 0 do prawie 1; niebieska krzywa jest taka sama jak w A, a pomarańczowa przerywana jest wyraźnie bardziej płaska, od 0.31 do 0.75.
Rysunek 1. Krzywe regresji logistycznej klas, krzywa klasy przeciętnej (efekt warunkowy) i średnia po klasach (efekt marginalny) przy małej (A) i dużej (B) wariancji między klasami. Obliczenia: R, pakiety lme4 i ggplot2 (dane symulowane, ziarno 187).

Co widać. Przy τ² = 0.29 obie krzywe prawie się pokrywają: OR warunkowy wynosi 1.36, a nachylenie krzywej średniej odpowiada OR = 1.34. Przy τ² = 4 krzywa klasy przeciętnej jest ta sama (od 0.21 przy 0 godzin do 0.85 przy 10), ale średnia po klasach jest płaska: od 0.31 do 0.75, czyli OR ≈ 1.21. Uśrednienie krzywych S o różnym położeniu nie daje krzywej S o tym samym nachyleniu – stąd różnica między efektem warunkowym GLMM a efektem populacyjnym, który szacuje np. GEE.

Na co uważać. Szare krzywe w panelu A to przewidywania ze ściągniętymi do średniej efektami losowymi, a nie krzywe dopasowane osobno do każdej klasy. W panelu B klasy nie pochodzą z danych – to 20 równo rozłożonych kwantyli rozkładu N(0, 4). Krzywa marginalna nie jest „lepsza” ani „gorsza” od warunkowej: odpowiadają na inne pytania (uczeń w danej klasie vs przeciętny uczeń w populacji). W modelu liniowym z tożsamościową funkcją łączącą ta różnica nie występuje. Krzywą S, skalę logitu i interpretację OR krok po kroku pokazuje wpis Regresja logistyczna w obrazkach.

Podpis do pracy:

Rysunek 1. Przewidywane prawdopodobieństwo zaliczenia testu w zależności od liczby godzin nauki w 20 klasach (N = 400). Uwaga. Cienkie linie – przewidywania dla poszczególnych klas z wielopoziomowej regresji logistycznej z losowym wyrazem wolnym; linia ciągła – klasa o przeciętnym poziomie (efekt losowy równy 0); linia przerywana – średnie prawdopodobieństwo w populacji klas.
Kod R rysunku 1
# Rysunek 1. Krzywe klas, krzywa warunkowa (klasa przeciętna) i krzywa marginalna (średnia populacyjna)
suppressPackageStartupMessages(library(lme4))
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c("klasa przeciętna (u = 0): efekt warunkowy" = "#0072B2",
         "średnia wszystkich klas: efekt marginalny" = "#D55E00")
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom", legend.direction = "vertical",
        strip.text = element_text(face = "bold", hjust = 0),
        plot.background = element_rect(fill = "white", colour = NA))

# Te same dane co w przykładzie: 400 uczniów w 20 klasach
set.seed(187)
k <- 20; m <- 20
klasa   <- factor(rep(1:k, each = m))
u       <- rnorm(k, 0, 1.0)
godziny <- round(runif(k * m, 0, 10), 1)
zdal    <- rbinom(k * m, 1, plogis(-1.2 + 0.25 * godziny + u[klasa]))
m1 <- glmer(zdal ~ godziny + (1 | klasa), family = binomial)
b  <- fixef(m1); tau <- sqrt(as.numeric(VarCorr(m1)$klasa))

x <- seq(0, 10, 0.1)
z <- qnorm(ppoints(2000))                                  # siatka wartości N(0, 1) do uśredniania po klasach
krzywe <- function(tau, u_klas, panel) {
  kl  <- expand.grid(x = x, klasa = seq_along(u_klas))
  kl$p <- plogis(b[1] + b[2] * kl$x + u_klas[kl$klasa])
  sr  <- rbind(data.frame(x = x, p = plogis(b[1] + b[2] * x), co = names(kol)[1]),
               data.frame(x = x, p = sapply(x, function(g) mean(plogis(b[1] + b[2] * g + tau * z))),
                          co = names(kol)[2]))
  list(klasy = cbind(kl, panel = panel), srednie = cbind(sr, panel = panel))
}
A <- krzywe(tau, ranef(m1)$klasa[, 1], sprintf("A. Dane z przykładu: τ² = %.2f", tau^2))
tau_B <- 2                                                 # wariant fikcyjny: duże różnice między klasami (τ² = 4)
B <- krzywe(tau_B, tau_B * qnorm(ppoints(20)), "B. Te same efekty stałe, τ² = 4")

# Nachylenie krzywej marginalnej w skali logitu i prawdopodobieństwa przy 0, 5 i 10 godzinach
nachyl <- function(s) coef(lm(qlogis(p) ~ x, data = s[s$co == names(kol)[2], ]))[2]
round(c(b_warunkowe = unname(b[2]), b_marg_A = unname(nachyl(A$srednie)), b_marg_B = unname(nachyl(B$srednie))), 3)
round(exp(c(OR_warunkowy = unname(b[2]), OR_marg_A = unname(nachyl(A$srednie)), OR_marg_B = unname(nachyl(B$srednie)))), 2)
p_przy <- function(s) { w <- s[s$x %in% c(0, 5, 10), ]
  round(cbind(godziny = c(0, 5, 10), warunkowa = w$p[w$co == names(kol)[1]], marginalna = w$p[w$co == names(kol)[2]]), 2) }
p_przy(A$srednie); p_przy(B$srednie)

srednie <- rbind(A$srednie, B$srednie); srednie$co <- factor(srednie$co, names(kol))
p1 <- ggplot(srednie, aes(x, p)) +
  geom_line(data = rbind(A$klasy, B$klasy), aes(group = klasa), colour = "grey70", linewidth = 0.4) +
  geom_line(aes(colour = co, linetype = co), linewidth = 1.3) +
  facet_wrap(~ panel, ncol = 2) +
  scale_colour_manual(NULL, values = kol) +
  scale_linetype_manual(NULL, values = c("solid", "dashed")) +
  scale_y_continuous(limits = c(0, 1), breaks = seq(0, 1, 0.25)) +
  labs(x = "Godziny nauki", y = "Prawdopodobieństwo zaliczenia") + motyw
p1
Wynik w R
b_warunkowe    b_marg_A    b_marg_B 
      0.309       0.291       0.189 
OR_warunkowy    OR_marg_A    OR_marg_B 
        1.36         1.34         1.21 
     godziny warunkowa marginalna
[1,]       0      0.21       0.22
[2,]       5      0.55       0.55
[3,]      10      0.85       0.84
     godziny warunkowa marginalna
[1,]       0      0.21       0.31
[2,]       5      0.55       0.53
[3,]      10      0.85       0.75

Rysunek na stronie powstał z tego kodu z motywem serwisu (dane, geometrie i skale identyczne). Ziarno 187 i dane pochodzą z przykładu i nie były zmieniane; ręcznie wybrano tylko τ² = 4 w panelu B. Nachylenie krzywej średniej to nachylenie prostej dopasowanej do jej logitu.

Jak opisać w pracy

Zaliczenie testu analizowano wielopoziomową regresją logistyczną (GLMM, funkcja łącząca logit) z losowym wyrazem wolnym dla klasy (20 klas, N = 400). Liczba godzin nauki wiązała się z wyższymi szansami zaliczenia, OR = 1.36, 95% CI [1.25, 1.48], z = 7.26, p < .001. Wariancja między klasami wyniosła τ² = 0.29 (ICC = .08).

Na co uważać

  • OR z GLMM jest warunkowy. Opisuje porównanie uczniów z tej samej klasy, a nie średni efekt w populacji. Przy dużym τ² oba ujęcia się rozjeżdżają.
  • Nie transformuj wyniku na siłę. Lo i Andrews (2015) pokazują, że logarytmowanie czasów reakcji przed modelem mieszanym może zmienić wnioski, i proponują GLMM bez transformacji.
  • Przy małej liczbie skupień oszacowanie τ² jest niestabilne. Podaj liczbę skupień i ostrzeżenia o zbieżności, jeśli wystąpiły.

Model z wynikiem ciągłym krok po kroku pokazujemy w poradniku model wielopoziomowy w R.

Przykład reprodukowalny

GLMM w R

Kod dopasowuje regresję logistyczną z losowym wyrazem wolnym dla klasy do danych z przykładu.

Wielopoziomowa regresja logistyczna w lme4

Dane wejściowe: ramka dane ze zmiennymi zdal (0/1), godziny i klasa (dane symulowane, pełny skrypt w pliku kodu).

Co odczytać: iloraz szans z 95% CI, wariancję τ² i ICC na skali logitów.

R
library(lme4)
m1  <- glmer(zdal ~ godziny + (1 | klasa), data = dane, family = binomial)
b   <- fixef(m1)["godziny"]
ci  <- confint(m1, parm = "godziny", method = "Wald")
round(c(b = b, OR = exp(b), OR_lo = exp(ci[1]), OR_hi = exp(ci[2])), 3)
tau2 <- as.numeric(VarCorr(m1)$klasa)
round(c(tau2 = tau2, ICC = tau2 / (tau2 + pi^2 / 3)), 3)
Wynik w R
 b.godziny OR.godziny      OR_lo      OR_hi
     0.309      1.362      1.253      1.480
 tau2   ICC
0.293 0.082 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem lme4 (rysunek 1 – także pakiet ggplot2).

  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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze pytania

Czym GLMM różni się od zwykłego modelu mieszanego (LMM)?

LMM zakłada wynik ciągły z resztami o rozkładzie normalnym. GLMM dopuszcza wynik binarny, zliczenia lub proporcje i łączy predyktory z wynikiem przez funkcję łączącą, np. logit.

Jak policzyć ICC w wielopoziomowej regresji logistycznej?

Na skali logitów wariancję poziomu osób przyjmuje się jako π²/3 ≈ 3.29. ICC = τ² / (τ² + 3.29), gdzie τ² to wariancja losowego wyrazu wolnego.

Co zrobić, gdy glmer zgłasza problem ze zbieżnością?

Wycentruj lub przeskaluj predyktory, uprość strukturę efektów losowych albo zmień optymalizator. Opisz w pracy, co zmieniono i czy wnioski pozostały takie same.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

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. Lo, S., & Andrews, S. (2015). To transform or not to transform: Using generalized linear mixed models to analyse reaction time data. Frontiers in Psychology, 6, Article 1171. https://doi.org/10.3389/fpsyg.2015.01171 ● Otwarty dostęp
  3. Sommet, N., & Morselli, D. (2017). Keep calm and learn multilevel logistic modeling: A simplified three-step procedure using Stata, R, Mplus, and SPSS. International Review of Social Psychology, 30(1), 203–218. https://doi.org/10.5334/irsp.90 ● Otwarty dostęp

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{lo2015transform, author={Lo, Steson and Andrews, Sally}, title={{To transform or not to transform: Using generalized linear mixed models to analyse reaction time data}}, journal={Frontiers in Psychology}, year={2015}, volume={6}, eid={1171}, doi={10.3389/fpsyg.2015.01171}}
@article{sommet2017keep, author={Sommet, Nicolas and Morselli, Davide}, title={{Keep calm and learn multilevel logistic modeling: A simplified three-step procedure using Stata, R, Mplus, and SPSS}}, journal={International Review of Social Psychology}, year={2017}, volume={30}, number={1}, pages={203--218}, doi={10.5334/irsp.90}}
R