An introduction of the full random effects model

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: WFRF:(Nyberg Joakim) > An introduction of ...

Yngman, GunnarUppsala universitet,Institutionen för farmaceutisk biovetenskap (författare)

An introduction of the full random effects model

Artikel/kapitelEngelska2022

Förlag, utgivningsår, omfång ...

2022-01-04
John Wiley & Sons,2022
electronicrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:uu-483590
https://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-483590URI
https://doi.org/10.1002/psp4.12741DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

The full random-effects model (FREM) is a method for determining covariate effects in mixed-effects models. Covariates are modeled as random variables, described by mean and variance. The method captures the covariate effects in estimated covariances between individual parameters and covariates. This approach is robust against issues that may cause reduced performance in methods based on estimating fixed effects (e.g., correlated covariates where the effects cannot be simultaneously identified in fixed-effects methods). FREM covariate parameterization and transformation of covariate data records can be used to alter the covariate-parameter relation. Four relations (linear, log-linear, exponential, and power) were implemented and shown to provide estimates equivalent to their fixed-effects counterparts. Comparisons between FREM and mathematically equivalent full fixed-effects models (FFEMs) were performed in original and simulated data, in the presence and absence of non-normally distributed and highly correlated covariates. These comparisons show that both FREM and FFEM perform well in the examined cases, with a slightly better estimation accuracy of parameter interindividual variability (IIV) in FREM. In addition, FREM offers the unique advantage of letting a single estimation simultaneously provide covariate effect coefficient estimates and IIV estimates for any subset of the examined covariates, including the effect of each covariate in isolation. Such subsets can be used to apply the model across data sources with different sets of available covariates, or to communicate covariate effects in a way that is not conditional on other covariates.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

Nyberg, Henrik B.Uppsala universitet,Institutionen för farmaceutisk biovetenskap(Swepub:uu)bjuny231 (författare)
Nyberg, Joakim,1978-Uppsala universitet,Institutionen för farmaceutisk biovetenskap(Swepub:uu)jonyb109 (författare)
Jonsson, E. NiclasPharmetheus AB, Uppsala, Sweden. (författare)
Karlsson, MatsUppsala universitet,Institutionen för farmaceutisk biovetenskap,Institutionen för farmaci,Pharmetheus AB, Uppsala, Sweden.(Swepub:uu)matskarl (författare)
Uppsala universitetInstitutionen för farmaceutisk biovetenskap (creator_code:org_t)

Sammanhörande titlar

Ingår i:CPT: John Wiley & Sons11:2, s. 149-1602163-8306

Internetlänk

Hitta via bibliotek

CPT (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...: Yngman, Gunnar; Nyberg, Henrik B ...; Nyberg, Joakim, ...; Jonsson, E. Nicl ...; Karlsson, Mats

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Matematik; och Sannolikhetsteor ...

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Medicinska och f ...; och Farmakologi och ...

Artiklar i publikationen: CPT

Av lärosätet: Uppsala universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se