7  診断と結果の報告

7.1 モデルの仮定をチェックする

線形混合モデルの主な仮定は次のとおりです。

  1. 固定効果の部分が 線形
  2. 残差 \(\varepsilon_{ij}\) が正規分布、分散が一定
  3. ランダム効果 \(u_j\) が正規分布

7.1.1 残差 vs 予測値

diag_df <- data.frame(fitted = fitted(fit_rs), resid = resid(fit_rs))

ggplot(diag_df, aes(fitted, resid)) +
  geom_point(alpha = 0.6) +
  geom_hline(yintercept = 0, linetype = 2) +
  geom_smooth(se = FALSE, colour = "tomato") +
  labs(x = "予測値", y = "残差")

  • 残差が 0 のまわりに 均等に 散らばっていれば OK
  • ラッパ型(右に行くほど広がる)→ 分散が一定でない。目的変数の対数変換などを検討
  • 曲線のパターン → 線形でない関係がある。2 次の項などを検討

7.1.2 残差の正規 Q-Q プロット

ggplot(diag_df, aes(sample = resid)) +
  stat_qq() + stat_qq_line(colour = "tomato") +
  labs(title = "残差の Q-Q プロット")

点がおおむね直線上に並べば正規分布の仮定は妥当です。両端が少し外れるのはよくあることです。

7.1.3 ランダム効果の Q-Q プロット

re <- ranef(fit_rs)$Subject
re_long <- data.frame(value = c(re[, 1], re[, 2]),
                      term  = rep(c("切片", "傾き (Days)"), each = nrow(re)))

ggplot(re_long, aes(sample = value)) +
  stat_qq() + stat_qq_line(colour = "tomato") +
  facet_wrap(~ term, scales = "free") +
  labs(title = "ランダム効果の Q-Q プロット")

グループ数(ここでは 18 人)が少ないと判断は難しいですが、極端な外れ値がないかを確認します。

ヒント

performance パッケージの check_model(fit) を使うと、これらの診断図をまとめて描けます(install.packages("performance"))。

7.2 よく出る警告とその対処

7.2.1 boundary (singular) fit: see help('isSingular')

ランダム効果の分散が 0 と推定された、または相関が ±1 と推定されたときに出ます。

set.seed(3)
g <- factor(rep(1:10, each = 5))
x <- runif(50)
y <- 1 + 2 * x + rnorm(50)          # 実はグループ差がないデータ
fit_sing <- lmer(y ~ x + (1 | g))
VarCorr(fit_sing)
 Groups   Name        Std.Dev.
 g        (Intercept) 0.20093 
 Residual             0.89250 
isSingular(fit_sing)
[1] FALSE

主な原因と対処:

  • 本当にグループ間のばらつきがほとんどない → そのランダム効果を外す(外しても結果はほぼ同じ)
  • ランダム効果の構造がデータに対して複雑すぎる → (x | g) を (x || g) や (1 | g) に簡略化
  • グループ数が少なすぎる

7.2.2 Model failed to converge

最適化(パラメータ探し)がうまく収束しなかったときに出ます。

  • 説明変数の スケールをそろえる(中心化・標準化):scale(x) など
  • 最適化アルゴリズムを変える:lmer(..., control = lmerControl(optimizer = "bobyqa"))
  • allFit(fit) で複数のアルゴリズムを試し、結果が一致するか確認する
  • ランダム効果の構造を簡略化する
ノート中心化(センタリング)のすすめ

切片は「説明変数がすべて 0 のときの値」です。年齢や身長など 0 に意味がない変数は、 平均を引いておく(x_c = x - mean(x))と、切片が「平均的な x のときの値」になり解釈しやすく、 切片と傾きの相関も小さくなって推定が安定します。

7.3 結果の報告

論文やレポートには、最低限次の情報を書きます。

  1. モデルの構造:目的変数、固定効果、ランダム効果、グループ
  2. 推定方法とソフトウェア:REML / ML、R と lme4 のバージョン、p 値の計算方法
  3. 固定効果:推定値、標準誤差(または 95% 信頼区間)、検定結果
  4. ランダム効果:各 SD(または分散)、相関
ci <- confint(fit_rs, parm = "beta_", method = "Wald")
fe <- summary(fit_rs)$coefficients
vc <- as.data.frame(VarCorr(fit_rs))

fe_tab <- data.frame(
  推定値 = round(fe[, "Estimate"], 2),
  SE     = round(fe[, "Std. Error"], 2),
  `95%CI` = sprintf("[%.2f, %.2f]", ci[, 1], ci[, 2]),
  df     = round(fe[, "df"], 1),
  t      = round(fe[, "t value"], 2),
  p      = format.pval(fe[, "Pr(>|t|)"], digits = 2, eps = 0.001),
  check.names = FALSE
)
knitr::kable(fe_tab, caption = "固定効果")
固定効果
推定値 SE 95%CI df t p
(Intercept) 251.41 6.82 [238.03, 264.78] 17 36.84 <0.001
Days 10.47 1.55 [7.44, 13.50] 17 6.77 <0.001
knitr::kable(
  data.frame(グループ = vc$grp, 項 = ifelse(is.na(vc$var2), vc$var1, paste(vc$var1, "×", vc$var2)),
             `SD / 相関` = round(vc$sdcor, 2), check.names = FALSE),
  caption = "ランダム効果"
)
ランダム効果
グループ 項 SD / 相関
Subject (Intercept) 24.74
Subject Days 5.92
Subject (Intercept) × Days 0.07
Residual NA 25.59

7.3.1 報告文の例

反応時間を目的変数、睡眠制限日数を固定効果、被験者ごとの切片と日数の傾きをランダム効果(相関あり)とする線形混合モデルを、R (4.5.3) の lme4 パッケージ (2.0.1) を用いて REML 法で推定した。固定効果の検定には lmerTest パッケージによる Satterthwaite 近似を用いた。 睡眠制限 1 日あたり反応時間は平均 10.5 ms 増加した(95% CI [7.4, 13.5], t(17.0) = 6.77, p < .001)。傾きの個人差の SD は 5.9 ms/日 であった。

7.4 次のステップ

  • 一般化線形混合モデル (GLMM):目的変数が 0/1(合否)やカウント(件数)のとき。lme4::glmer(y ~ x + (1 | g), family = binomial) など
  • ベイズ推定:brms パッケージ。複雑なモデルでも収束しやすく、不確実性をそのまま扱える
  • 参考書
    • 久保拓弥『データ解析のための統計モデリング入門』(岩波書店)— GLM から GLMM、ベイズへ
    • Gelman & Hill “Data Analysis Using Regression and Multilevel/Hierarchical Models”
    • Bates et al. (2015) “Fitting Linear Mixed-Effects Models Using lme4”, Journal of Statistical Software 67(1)
重要この章のまとめ
  • 残差プロット、Q-Q プロットで仮定をチェック
  • singular fit → ランダム効果の簡略化を検討。収束しない → スケーリング・最適化手法の変更
  • 報告には「モデル構造・推定法・固定効果・ランダム効果」をセットで書く