
【化】 stochastic effect
在统计学和计量经济学中,随机效应(Random Effects)指研究模型中不可观测且服从特定概率分布的变量参数。该概念最早由Ronald Fisher于1925年提出,现广泛应用于面板数据分析和混合效应模型。
根据《Linear Mixed Models for Longitudinal Data》的定义,随机效应具有三个核心特征:
与固定效应(Fixed Effects)的本质区别在于:随机效应假设组间差异来源于总体抽样误差,适用于研究结论需要推广到更大总体的情况。例如在教育研究中,若将学校视为随机效应,则结论可外推到所有同类学校。
在实证分析中,Hausman检验常用于判断应选择固定效应还是随机效应模型。检验统计量计算公式为: $$ H = (b{FE} - b{RE})'[Var(b{FE}) - Var(b{RE})]^{-1}(b{FE} - b{RE}) $$ 当p值<0.05时拒绝原假设,应选用固定效应模型。
当前主流统计软件实现方案包括:
该理论在生物医学(临床试验)、社会学(多层次分析)和计量经济学(面板数据建模)领域有广泛应用,相关数学推导可参考Harville(1977)的经典论文《Maximum Likelihood Approaches to Variance Component Estimation》。
随机效应在不同学科中的含义和应用存在差异,以下是基于多个领域的具体解释:
核心概念
随机效应指模型中允许个体或组间存在自然变异性的因素。例如在混合效应模型中,随机效应用于捕捉数据中层次结构(如学生嵌套于班级)或个体间无法观测的差异。这类效应的参数通常通过最大似然估计等方法计算,其方差反映个体间差异程度。
与固定效应的对比
发生机制
随机性效应(Stochastic Effects)指辐射暴露后,生物效应(如癌症或遗传损伤)的发生概率与剂量呈正相关,且不存在剂量阈值。即使极小剂量也可能引发,但严重程度与剂量无关。
与确定性效应的区别
统计学模型
例如混合效应模型表达式:
$$
y_{ij} = beta_0 + beta1x{ij} + uj + epsilon{ij}
$$
其中$u_j$为随机截距,表示第$j$组的个体间变异。
辐射防护实践
国际辐射防护委员会(ICRP)建议,针对随机性效应需采用线性无阈模型(LNT)进行风险评估,强调剂量最小化原则。
【别人正在浏览】