MerQur

🇹🇷 TR 🇺🇸 EN

Crossed LMM (Çapraz Random Karma Model)

Temel Alanlar → Sağlık Bilimleri → ⚡ Crossed LMM (Çapraz Random Karma Model)

Crossed LMM (Çapraz Random Karma Model)

⚡ İleri Düzey · Karma Modeller · Crossed

v1.0.1

Sağlık Bilimleri bağlamı — iki random faktör nested DEĞİL, crossed (çapraz). laboratuvar_olcum ~ 1 + (1|lab_teknisyeni) + (1|hasta). Her lab_teknisyeni tüm hasta‘lerle eşlenir.

Crossed random2 faktörREMLInter-rater reliability

🎯 Ne işe yarar?

Klasik nested yapıdan farklı: her lab_teknisyeni farklı hasta’lerle bağımsız olarak çiftleşir (her hasta her lab_teknisyeni altında değil; karışık). Sağlık Bilimleri’nde iki etkenin random varyansını ayrı tahmin eder.

📌 Ne zaman kullanılır?

  • Hakem × değerlendirilen (her hakem her örneği değerlendirir)
  • Operatör × cihaz (her operatör her cihazı kullanır)
  • İki random etkili ölçüm tasarımı

⚙ Varsayımlar

  1. İki random faktör birbirinden bağımsız (nested değil).
  2. Her (lab_teknisyeni, hasta) hücresinde ≥1 gözlem (boş hücreler tahmini etkiler).
  3. Random etkiler ~ Normal(0, σ²).

📊 MerQur’da Nasıl Çalıştırılır?

1
Veri yükle.
2
Analiz → ⚡ İleri Düzey → Crossed LMM.
3

Panel atamaları (programdaki form alanları):

  • Bagimli degisken (DV): HbA1c
  • Faktör A: ilac
  • Faktör B: klinik
  • A Tipi: random
  • B Tipi: random
  • SS yontemi: 1
4
Estimator: REML.
5
▶ Çalıştır. σ²lab_teknisyeni, σ²hasta, σ²residual + ICC.

📊 Örnek Veri Seti — Sağlık Bilimleri

ℹ Not: Aşağıdaki senaryo, MerQur çıktısı ve yorum, gerçek örnek veri seti MerQur’da çalıştırılarak elde edilmiştir. Kendi verinizdeki sayısal sonuçlar farklılık gösterecektir; buradaki amaç analizin uçtan uca nasıl kurgulandığını ve yorumlandığını göstermektir.

🎬 Örnek Dosya

Bu analiz, Sağlık Bilimleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:

Tip/109_crossed_lmm_drug_clinical.xlsx

🎬 Senaryo

İki random faktörün (ilaç ve klinik) çaprazlandığı bir tasarımı modelliyoruz; iki bağımsız sınıflama ekseni söz konusu olduğunda çaprazlanmış (crossed) LMM uygundur.

⚙️ Değişken Seçimi

  • Bağımlı değişken: HbA1c
  • Faktör (kategorik): drug
  • 2. Faktör: clinical

Veri Önizleme (İlk 5 Satır)

drug clinical HbA1c
drug_1 K_A 7.79
drug_1 K_A 7.37
drug_1 K_A 7.77
drug_1 K_A 7.85
drug_1 K_A 7.87

n = 160 · Sütunlar: drug, clinical, HbA1c

📈 MerQur Çıktısı

CROSSED LMM (ÇAPRAZ RANDOM KARMA MODEL) SONUCU
─────────────────────────────────────────────

drug (A): F = 2.24, p = 0.125 ns clinical (B): F = 4.31, p = 0.028 * A x B: F = 13.00, p < .001 *** sonuç: HbA1c

💬 MerQur Yorumu

İki random faktörün iç içe değil çaprazlanmış olduğu (her ilaç her klinikte uygulanır) bir tasarımı modelledik: ilaç ana etkisi anlamsız (p = 0.13), klinik ana etkisi anlamlı (p = 0.028) ve A x B etkileşimi çok güçlüdür (F = 13.00, p < .001) — yani ilacın etkisi hangi klinikte uygulandığına bağlıdır. Çaprazlanmış LMM, nested tasarımın aksine bağımsız iki gruplama eksenini (ilaç x klinik, her ilaç her klinikte) aynı anda ele alır. Tıpta iki bağımsız sınıflama ekseninin etkilerini ve etkileşimini birlikte çözümlemede doğru seçimdir.

⚠ Sık Hatalar

  • Nested yapı varken crossed tanımlamak — her (lab_teknisyeni, hasta) çiftinin gerçekten bağımsız olduğundan emin olun.
  • Çok seyrek matris (lab_teknisyeni×hasta’de boş hücre çok) — fit yapılamaz veya unstable.
  • lab_teknisyeni-ICC düşük + hasta-ICC yüksekse hasta’nin tahmininde shrinkage daha sıkı.

📚 MerQur’a Atıf

Örücü, Ö. K. (2026). MerQur: Bütünleşik Akademik Veri Analizi ve Raporlama Platformu [Bilgisayar Yazılımı] (Sürüm 1.0.0). https://doi.org/10.53463/merqur.2026001

Tüm atıf formatları →

📝 Üretim Notu — Bu sayfadaki örnek veri sentetik olarak üretilmiştir (sabit SEED=42, generator: samples/Ileri_Duzey_v102/_generate_v102_datasets.py). Sayfa içeriği Anthropic Claude desteği ile hazırlanmış, akademik doğruluk yazar tarafından kontrol edilmiştir.