实证贝叶斯因子（Empirical Bayes Factor, EBF）：混合效应模型中随机效应的一种模型比较方法

《British Journal of Mathematical and Statistical Psychology》：To vary or not to vary: A flexible empirical Bayes factor for testing variance components

　　

本研究提出一种用于检验混合效应模型中随机效应显著性的经验贝叶斯因子（EBF）。传统方法如似然比检验（LRT）和偏差信息准则（DIC）存在局限性：LRT依赖渐近假设且不适用于边界零假设，而DIC缺乏明确的证据强度解释框架。为此，研究人员基于贝叶斯估计输出，通过高斯近似随机效应后验分布，推导了EBF的计算公式。该方法仅需拟合全模型即可计算所有随机效应的EBF值，大幅降低计算负担。通过模拟研究和五个实证案例分析，验证了EBF的有效性：其能准确反映随机效应的存在与否，且对后验均值的使用优于全后验分布。EBF为混合效应模型的随机效应检验提供了一种灵活、高效的贝叶斯替代方案。

论文解读

研究背景与问题提出

混合效应模型在社会科学、生物医学等领域广泛应用，其核心是通过引入随机效应捕捉数据中的层次结构或个体差异。然而，如何科学检验随机效应的必要性（即判断某组随机效应方差是否为零）一直是统计建模的关键难题。传统方法存在明显局限：似然比检验（Likelihood Ratio Test, LRT）依赖大样本渐近理论，且在零假设为边界值（如方差为0）时检验统计量分布异常；偏差信息准则（Deviance Information Criterion, DIC）虽能评估模型拟合，但缺乏统一的证据强度解释标准。此外，现有贝叶斯方法常因先验敏感性或计算复杂难以推广。因此，亟需一种兼具统计学严谨性与计算可行性的随机效应检验方法。

研究方法与技术路径

研究人员提出基于贝叶斯估计输出的经验贝叶斯因子（Empirical Bayes Factor, EBF），其核心思路是：通过全模型拟合获取随机效应的后验均值与协方差矩阵，利用高斯近似后验密度函数，进而计算“包含某组随机效应”与“排除该组随机效应”的贝叶斯因子。关键技术环节包括：（1）采用马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）方法获取贝叶斯估计输出；（2）以随机效应后验均值的点估计替代全后验分布，避免后验集中于零时的模型选择偏差；（3）通过高斯近似简化后验密度计算，实现单次全模型拟合下多组随机效应的同步检验。研究通过两个模拟实验验证方法性能：模拟Ⅰ评估EBF对随机效应真实存在性的判别力，模拟Ⅱ检验高斯近似的准确性与蒙特卡洛误差影响。实证分析则涵盖广义线性混合模型（GLMM）、空间随机效应模型、动态结构方程模型（DSEM）等五类复杂场景，数据分别来源于体育赛事判罚记录、癌症发病率地理数据、饮食障碍追踪数据等公开数据集。

研究结果

模拟研究Ⅰ：EBF的行为特性

通过改变随机效应方差的真实值（τ₁₁从0到0.8）、聚类数（J=10,30,100）与簇内样本量（n=10,30,100），研究发现：当使用后验均值计算时，EBF能准确区分“无随机效应”（τ₁₁=0）与“有随机效应”场景，对数EBF随τ₁₁增大单调递增；而基于全后验分布的EBF在τ₁₁接近零时存在向全模型倾斜的偏差。样本量增加时，EBF的证据强度更稳定，且95%后验概率阈值下的决策规则更保守。

模拟研究Ⅱ：高斯近似的准确性

针对随机效应后验分布分别为多元正态与多元学生t分布（自由度df=5）的场景，研究发现：当后验为正态分布时，高斯近似的EBF与真实值几乎完全重合；当后验为厚尾的学生t分布时，高斯近似在证据强度较弱区域存在偏差，但在关键阈值（EBF=1）附近仍能保持证据方向的正确性。蒙特卡洛误差分析显示，2000次后验抽样已能满足计算精度需求。

实证研究应用

1. 1.
   GLMM交叉随机效应检验：以篮球赛事判罚数据为例，EBF检验发现比赛、主队、客队的随机斜率均无显著证据支持（对数EBF>4），与原有研究结论一致，但无需逐一拟合嵌套模型。
2. 2.
   空间随机效应模型：苏格兰唇癌发病率数据分析显示，空间随机效应的对数EBF为-1.69（支持保留），而个体随机截距的对数EBF为9.55（支持剔除），验证了仅保留空间效应的模型最优。
3. 3.
   动态结构方程模型（DSEM）：暴食症追踪数据中，时间水平的因子载荷随机效应对数EBF均为正值（28.80~31.10），支持将其从模型中排除，避免了主观判断的随意性。
4. 4.
   交叉滞后面板模型（CLPM）：完美主义自我呈现与状态社交焦虑的5天追踪数据显示，联合检验两个随机截距的EBF支持保留个体间稳定差异，为选择RI-CLPM而非传统CLPM提供依据。
5. 5.
   非线性混合效应模型：药物动力学数据分析中，EBF成功识别出不同剂量组间的随机效应异质性，验证了方法在复杂非线性场景的适用性。

讨论与结论

研究人员指出，EBF的核心优势在于“单次全模型拟合，多组效应同步检验”，突破了传统方法需反复拟合嵌套模型的计算瓶颈。其证据解释沿用经典贝叶斯因子标准（如EBF>3为中等证据，>10为强证据），且与DIC等准则相比具有更清晰的统计意义。需注意，EBF结果依赖于全模型的设定准确性，若全模型误设可能导致效应估计偏差。未来研究可进一步拓展至非高斯后验的校正方法，或开发基于EBF的模型平均框架。

该研究发表于《British Journal of Mathematical and Statistical Psychology》，为混合效应模型的随机效应检验提供了首个系统化的贝叶斯解决方案，兼具理论创新与实践推广价值。