Resumen de Modelo lineal general mixto: Alternativa a los modelos de análisis clásicos

Guillermo Vallejo Seco, Paula Fernández García, José Ramón Fernández Hermida, Roberto Secades Villa

• español

  En función del alcance de las inferencias y de la distribución de los errores asociados con las unidades de observación, se obtienen cuatro de los modelos estadísticos más utilizados en psicología y educación, a saber:

  modelo lineal general, lineal generalizado, lineal mixto y mixto generalizado. Cuando la variable de respuesta tiene una estructura métrica, el modelo clásico es apropiado para relacionar ésta con una o más variables de efectos fijos . Sin embargo, cuando la variable de respuesta es categórica no es adecuado asumir la normalidad de los errores; en este caso, la solución natural la ofrece el modelo lineal generalizado. Desafortunadamente, los beneficios de este enfoque sólo están disponibles para modelos de efectos fijos . Cuando la respuesta tiene estructura métrica y existe más de una fuente de variación aleatoria, el modelo mixto permite una mezcla de factores . Ninguno de los modelos anteriores resulta apropiado cuando la variable de respuesta es categórica y existe más de una fuente de variación aleatoria. El modelo mixto generalizado resuelve este problema asumiendo que el predictor lineal es una función de los parámetros de efectos fijos y aleatorios.

• English

  In function of the reach of the inferences to carry out and of the distribution of the errors associated with the observation units, are obtained four of the models more used in education and psychology, that is: the general lineal model, the generalized lineal, the general linear mixed and the generalized mixed. When the dependent variable has a metric structure, the classic model it is appropriate to relate this with one or more variable of fixed effects. When the dependent variable is categorical, it is inappropriate to assume that the errors are normally; in this case, the natural solution provides the generalized lineal model. Unfortunately, the benefits uf this approach are available only in fixed-effects models. When the dependent variable has a metric structure and multiple sources of random variation, the mixed mude! al!ows a mix of fixed and random effects. None of the previous models is appropriate when the dependent variable is categorical and sorne factors are viewed as random. The generalized mixed model so!ves this problem assuming that the lineal predictor is a function both of the parameters of fixed effects and random.