Randomized Complete Block Designs (RCBD): Fixed Effects versus Mixed Models bij Gebalanceerde en Ongebalanceerde Data

Principes van het Randomized Complete Block Design (RCBD)

  • Variabiliteit tussen experimentele eenheden:

    • In experimentele designs, zoals het Completely Randomized Design (CRD) en Repeated Measures Designs, is er vaak sprake van substantiële variabiliteit tussen experimentele eenheden onderling.
    • Zelfs wanneer experimentele eenheden exact dezelfde behandeling ontvangen, kunnen er aanzienlijke biologische of fysieke verschillen optreden.
    • Er moet een strikt onderscheid worden gemaakt tussen observationele eenheden en experimentele eenheden: men kan meerdere observationele eenheden per experimentele eenheid meten om een zo nauwkeurig mogelijke evaluatie van de experimentele eenheid te verkrijgen, maar dit lost de variabiliteit tussen experimentele eenheden zelf niet op.
    • Grote variabiliteit tussen eenheden bemoeilijkt het aantonen van een statistisch significant behandelingseffect (zoals het verschil tussen een actief medicijn en een placebo), omdat het waargenomen verschil altijd wordt afgewogen tegen de achtergrondvariabiliteit (foutvariantie).
  • Blokvorming (Blocking):

    • Blokvorming houdt in dat experimentele eenheden worden samengenomen in homogene groepen (blokken).
    • Eenheden binnen hetzelfde blok vertonen een grotere onderlinge gelijkenis en zijn daardoor aanzienlijk minder variabel ten opzichte van elkaar dan eenheden uit verschillende blokken.
    • Door deze opzet kan een substantieel deel van de totale variatie worden toegeschreven aan en verklaard door verschillen tussen de blokken.
    • Het verklaren van deze variatie reduceert de residuele foutenmassa in het statistische model, waardoor het onderscheidend vermogen (power) toeneemt en de kans op het aantonen van een significant behandelingseffect stijgt.
  • Structuur van het Randomized Complete Block Design (RCBD):

    • Het RCBD is de meest elementaire vorm van een geblokt proefopzetontwerp.
    • Voorwaarde voor een compleet blokontwerp: elk blok bevat exact evenveel experimentele eenheden als er factorniveaus (behandelingen) zijn, aangeduid met het aantal aa.
    • Randomisatieprocedure: binnen elk afzonderlijk blok wordt elk van de aa behandelingen op volstrekt willekeurige wijze toegekend aan precies één experimentele eenheid.
  • Conceptuele interpretaties van RCBD:

    • Vergelijking binnen homogene eenheden: Doordat alle behandelingen binnen elk blok voorkomen, worden de behandelingen vergeleken tussen eenheden die sterk op elkaar lijken, wat leidt tot een zuiverdere en eerlijkere vergelijking.
    • Variantie-allocatie: Een expliciet deel van de totale spreiding in de data wordt geïsoleerd als 'blok-tot-blok variabiliteit', waardoor de onverklaarde toevallige foutvariantie krimpt.
    • Gouden regel: Indien een experiment is opgezet met blokken, moet de blokfactor altijd expliciet worden opgenomen in de statistische analyse. Wordt de blokfactor weggelaten, dan gaat het statistische voordeel volledig verloren en worden foutentermen onterecht opgeblazen.

De TT4-Studie en Wiskundige Modelspecificaties

  • Casusbeschrijving (TT4-studie bij honden):

    • Onderzoek naar het gehalte van het schildklierhormoon TT4 bij in totaal 1818 honden.
    • Er zijn 33 behandelingsniveaus (a=3a = 3): Acetylsalicylzuur (AA), Ketoprofen (KK) en Placebo (PP).
    • Gewicht van de hond heeft vermoedelijk een sterke invloed op de TT4-spiegel en introduceert ongewenste variatie.
    • Er worden 66 blokken gevormd op basis van gewicht (b=6b = 6):
      • Blok 1 (B1B_1): bevat de 33 lichtste honden.
      • Blok 6 (B6B_6): bevat de 33 zwaarste honden.
      • Tussenliggende blokken (B2B_2 tot en met B5B_5) worden oplopend gerangschikt naar gewicht.
    • Binnen elk van de 66 blokken ontvangt telkens één willekeurig toegewezen hond behandeling AA, één hond behandeling KK, en één hond behandeling PP.
    • Door deze blokkering wordt het verstorende effect van gewicht op de responsvariabele TT4 uitgeschakeld of drastisch geminimaliseerd.
  • Factor-effecten Model:

    • In statistische software zoals R wordt standaard het factor-effecten model gehanteerd.
    • Ten opzichte van het Completely Randomized Design (CRD) wordt een additionele term toegevoegd voor het blokeffect.
  • Specificatie als Fixed Effects Model:

    • Wiskundige vergelijking:         Y_{ij} = ̴̵̶̷̸̡̢̧̨̛̖̗̘̙̜̝̞̟̠̣̤̥̦̩̪̫̬̭̮̯̰̱̲̳̹̺̻̼͇͈͉͍͎̀́̂̃̄̅̆̇̈̉̊̋̌̍̎̏̐̑̒̓̔̽̾̿̀́͂̓̈́͆͊͋͌̕̚ͅ͏͓͔͕͖͙͚͐͑͒͗͛ͣͤͥͦͧͨͩͪͫͬͭͮͯ͘͜͟͢͝͞͠͡ͰͱͲͳʹ͵Ͷͷ͸͹ͺͻͼͽ;Ϳ΀΁΂΃΄΅Ά·ΈΉΊ΋Ό΍ΎΏΐμ + τ_i + β_j + ϵ_{ij}         waarbij:
      • μμ het algehele gemiddelde voorstelt.
      • τiτ_i het vaste effect is van behandeling ii (i=1,…,ai = 1, \dots, a).
      • βjβ_j het vaste effect is van blok jj (j=1,…,bj = 1, \dots, b).
      • ϵijϵ_{ij} de residuele toevallige fout is, met ϵij∼N(0,σ2)ϵ_{ij} \sim N(0, \sigma^2).
    • Parameters en restricties: Zowel behandelings- als blokeffecten worden aangeduid met Griekse letters, wat aangeeft dat het vaste, constante populatieparameters betreft. Om overparameterisatie op te lossen, legt R standaard 'corner point constraints' op:         τ1=0τ_1 = 0β1=0β_1 = 0         Hierdoor fungeert de combinatie van het eerste behandelingsniveau en het eerste blok als referentiecategorie.
  • Specificatie als Mixed Effects Model:

    • Wiskundige vergelijking:         Yij=μ+τi+bj+ϵijY_{ij} = μ + τ_i + b_j + ϵ_{ij}         waarbij:
      • μμ en τiτ_i vaste parameters zijn.
      • bjb_j het random blokeffect is van blok jj, aangeduid met een Latijnse letter om aan te geven dat het een stochastische variabele is en geen vaste constante.
    • Verdelingsaannames: De blokeffecten worden verondersteld een aselecte steekproef te zijn uit een normale populatie van blokken:         bj∼N(0,σb2)b_j \sim N(0, \sigma_b^2)ϵij∼N(0,σ2)ϵ_{ij} \sim N(0, \sigma^2)
    • Onafhankelijkheidsaanname: Alle random variabelen (b1,…,bbb_1, \dots, b_b en alle toevallige fouten ϵijϵ_{ij}) zijn onderling volledig onafhankelijk van elkaar.
    • Restricties in het mixed model: Omdat de blokeffecten via een verdeling met gemiddelde 00 worden gemodelleerd, is er géén restrictie nodig op bjb_j. Er is slechts één restrictie vereist voor het fixed behandelingseffect, namelijk:         τ1=0τ_1 = 0

Statistische Analyse in R bij Gebalanceerde Data

  • Datavoorbereiding en Typeconsistentie:

    • Datasetbestand: rcbd.dat, bestaande uit 1818 observaties van honden, ingedeeld in 66 blokken met TT4-metingen voor de behandelingen AA, KK en PP.
    • Cruciale waarschuwing: Zowel de variabele 'behandeling' als de variabele 'blok' moeten expliciet als factor worden gedefinieerd in R met behulp van de functie factor().
    • Indien een numeriek gecodeerd blok (bijvoorbeeld 1,2,…,61, 2, \dots, 6) niet wordt omgezet naar een factor, interpreteert R de variabele als een continue covariabele. Het model fit dan een lineaire regressielijn over de bloknummers in plaats van afzonderlijke niveaus, wat de analyse methodologisch ongeldig maakt.
  • Fitten van het Fixed Effects Model:

    • Functie: lm(tt4 ~ factor(behandeling) + factor(blok), data = rcbd.dat).
    • Het resultaat wordt opgeslagen in een object, bijvoorbeeld res.rcbd.
    • Schattingen: De output levert afzonderlijke geschatte constanten voor elk blokniveau (B2B_2 tot en met B6B_6, waarbij B1=0B_1 = 0) en voor de behandelingen (AA en KK, waarbij P=0P = 0 als referentie fungeert).
    • Hypothesentoetsing: Een globale toets voor behandelingseffecten kan worden uitgevoerd via meervoudige vergelijkingen (zoals Dunnett ten opzichte van controle) of via anova(res.rcbd).
    • Zowel het behandelingseffect als het blokeffect blijken statistisch significant.
    • Hoewel het blokeffect primair dient als correctiefactor, toont de significantie ervan aan dat blokkering op gewicht effectief was en in toekomstige experimenten gehandhaafd moet worden.
  • Fitten van het Mixed Effects Model:

    • De standaardfunctie lm() ondersteunt geen random effecten. Daarom wordt de functie lmer() uit het package lme4 gebruikt.
    • Syntaxis voor random blokken: lmer(tt4 ~ factor(behandeling) + (1 | blok), data = rcbd.dat).
    • De notatie (1 | blok) instrueert de functie om een random intercept per blok te fitten.
    • Het model wordt weggeschreven naar het object res.rcbd.mixed.
    • Parameterschattingen uit summary(res.rcbd.mixed):
      • Vaste effecten: enkel het algehele niveau (intercept/gemiddelde mm), τA\tau_A en τK\tau_K.
      • Variantiecomponenten: er worden geen individuele fixed effecten voor elk blok gerapporteerd, maar varianties geschat:
        • Variantie tussen blokken: σb2=15,56\sigma_b^2 = 15{,}56.
        • Residuele variantie: σ2=12,78\sigma^2 = 12{,}78.
  • Hypothesentoetsing via ANOVA in Mixed Models en de lmerTest-bibliotheek:

    • Om een ANOVA-tabel met correcte pp-waarden voor vaste effecten uit een lmer-model te verkrijgen, moet het R-package lmerTest worden geïnstalleerd en geactiveerd via library(lmerTest).
    • Belangrijke valkuil: Het activeren van lmerTest overschrijft de standaard anova()-functie van R door een gespecialiseerde versie die vrijheidsgraden berekent (bijvoorbeeld via de Satterthwaite-benadering). Men gebruikt altijd de functie van het laatst geladen package; zonder lmerTest toont anova() geen pp-waarden voor lmer-objecten.
    • Resultaat van anova(res.rcbd.mixed): levert voor het behandelingseffect een pp-waarde van exact:         p=0,0002657p = 0{,}0002657
    • Dit is exact dezelfde pp-waarde als verkregen uit het fixed effects model.
  • Equivalentie bij Gebalanceerde Gegevens:

    • Bij volledig gebalanceerde data (elke behandeling komt in elk blok exact even vaak voor en er ontbreken geen waarnemingen) leveren het fixed effects model en het mixed model mathematisch identieke resultaten op voor de behandelingseffecten, inclusief identieke teststatistieken, pp-waarden en paarsgewijze vergelijkingen.

Ongebalanceerde Data: Vergelijking Fixed vs. Mixed Model

  • Oorzaken en Gevolgen van Ongebalanceerde Data:

    • In de praktijk vallen proefdieren regelmatig uit studies door ziekte of complicaties, waardoor ontbrekende waarden (missing values) ontstaan.
    • Zodra niet elk blok een complete set waarnemingen voor alle behandelingen bevat, is het design ongebalanceerd.
    • Bij ongebalanceerde gegevens divergeren het fixed effects model en het mixed model en produceren zij verschillende schattingen en standaardfouten.
  • Vereenvoudigde Dataset ter Illustratie:

    • Dataset met 22 behandelingen in plaats van 33: Acetylsalicylzuur (AA) en Placebo (PP), verdeeld over 66 blokken:
      • Blok 1: bevat enkel een observatie voor Placebo (YP1=25,9Y_{P1} = 25{,}9); de waarde voor Acetylsalicylzuur ontbreekt.
      • Blok 2: bevat enkel een observatie voor Acetylsalicylzuur (YA2=16,9Y_{A2} = 16{,}9); de hond met Placebo is uitgevallen.
      • Blokken 3 tot en met 6: bevatten volledige waarnemingen voor zowel AA als PP.
  • Werking van het Fixed Effects Model bij Ongebalanceerde Data:

    • In het fixed effects model moeten zowel het vaste blokeffect als het vaste behandelingseffect worden geschat.
    • In blok 1 is er slechts één getal (25,925{,}9) beschikbaar om twee onbekende fixed parameters (het effect van blok 1 en het effect van Placebo) te identificeren; dit is wiskundig niet identificeerbaar.
    • Gevolg: het fixed effects model negeert en verwijdert de incomplete blokken (blok 1 en blok 2) volledig uit de analyse.
    • Slechts de 44 volledige blokken (blok 3 tot en met 6) worden gebruikt om het behandelingseffect te bepalen.
  • De Within-Block Schatter (θ^w\hat{\theta}_w):

    • Het fixed effects model berekent het verschil tussen Placebo en Acetylsalicylzuur (P−AP - A) uitsluitend via gepaarde verschillen binnen de complete blokken:         θ^w=14∑j=36(YPj−YAj)\hat{\theta}_w = \frac{1}{4} \sum_{j=3}^{6} (Y_{Pj} - Y_{Aj})         waarbij de index 'ww' staat voor 'within-block'.
    • Observaties per blok (PP versus AA):
      • Blok 3: 29,7−18,8=10,929{,}7 - 18{,}8 = 10{,}9
      • Blok 4 tot en met 6 leveren de overige verschillen op.
    • Het rekenkundig gemiddelde van deze vier paarsgewijze verschillen bedraagt:         θ^w=10,775\hat{\theta}_w = 10{,}775
    • In de R-output van lm() (waarbij AA met PP als referentie wordt vergeleken) resulteert dit in een schatting voor behandeling AA van exact −10,775-10{,}775.
  • Wiskundige Afleiding van de Variantie van θ^w\hat{\theta}_w:

    • Rekenregel voor lineaire combinaties: Voor nn onderling onafhankelijke stochastische variabelen Y1,…,YnY_1, \dots, Y_n met homogene variantie σ2\sigma^2 geldt:         Var(∑i=1naiYi)=∑i=1nai2Var(Yi)=∑i=1nai2σ2\text{Var}\left(\sum_{i=1}^{n} a_i Y_i\right) = \sum_{i=1}^{n} a_i^2 \text{Var}(Y_i) = \sum_{i=1}^{n} a_i^2 \sigma^2
    • Toepassing op de within-block schatter: Binnen elk blok heffen de vaste parameters en blokeffecten elkaar op in het verschil YPj−YAjY_{Pj} - Y_{Aj}, waardoor enkel de toevallige fouten overblijven:         YPj−YAj=(μ+τP+βj+ϵPj)−(μ+τA+βj+ϵAj)=(τP−τA)+(ϵPj−ϵAj)Y_{Pj} - Y_{Aj} = (μ + τ_P + β_j + ϵ_{Pj}) - (μ + τ_A + β_j + ϵ_{Aj}) = (τ_P - τ_A) + (ϵ_{Pj} - ϵ_{Aj})
    • De variantie van één enkel blokverschil bedraagt:         Var(YPj−YAj)=Var(ϵPj−ϵAj)=(1)2σ2+(−1)2σ2=2σ2\text{Var}(Y_{Pj} - Y_{Aj}) = \text{Var}(ϵ_{Pj} - ϵ_{Aj}) = (1)^2 \sigma^2 + (-1)^2 \sigma^2 = 2\sigma^2
    • Voor de gemiddelde schatter over 44 blokken geldt:         Var(θ^w)=Var(14∑j=36(YPj−YAj))=(14)2∑j=36Var(YPj−YAj)=116×(4×2σ2)=2σ24=σ22\text{Var}(\hat{\theta}_w) = \text{Var}\left(\frac{1}{4} \sum_{j=3}^{6} (Y_{Pj} - Y_{Aj})\right) = \left(\frac{1}{4}\right)^2 \sum_{j=3}^{6} \text{Var}(Y_{Pj} - Y_{Aj}) = \frac{1}{16} \times (4 \times 2\sigma^2) = \frac{2\sigma^2}{4} = \frac{\sigma^2}{2}
    • De noemer 44 representeert hierbij het aantal complete blokken met informatieve paren.
  • Numerieke Uitwerking van de Fixed Effects Fout:

    • De geschatte residuele variantie uit de lm-output is gebaseerd op de residuele standaardfout van 4,6964{,}696:         σ^2=(4,696)2=22,05242\hat{\sigma}^2 = (4{,}696)^2 = 22{,}05242
    • De geschatte variantie van de within-block schatter bedraagt:         Var(θ^w)=22,052422=11,02621\text{Var}(\hat{\theta}_w) = \frac{22{,}05242}{2} = 11{,}02621
    • De standaardfout (Standard Error, SE) is de vierkantswortel hieruit:         SE(θ^w)=11,02621=3,32\text{SE}(\hat{\theta}_w) = \sqrt{11{,}02621} = 3{,}32
    • Deze waarde van 3,323{,}32 komt exact overeen met de gerapporteerde Std. Error voor de behandelfactor in de lm-samenvatting.

De Between-Block Schatter en Varianties in het Mixed Model

  • Benutting van Onvolledige Blokken door het Mixed Model:

    • In het mixed model worden blokeffecten gemodelleerd als aselecte trekkingen uit een normale verdeling (bj∼N(0,σb2)b_j \sim N(0, \sigma_b^2)) in plaats van afzonderlijk te schatten vaste constanten.
    • Hierdoor hoeven er geen individuele blokparameters te worden geschat en gaan de incomplete blokken (blok 1 en blok 2) niet verloren.
    • Het mixed model extraheert een tweede, onafhankelijke informatiebron over het behandelingsverschil: de vergelijking tussen de blokken.
  • De Between-Block Schatter (θ^b\hat{\theta}_b):

    • Omdat blok 1 uitsluitend een meting heeft voor Placebo (YP1=25,9Y_{P1} = 25{,}9) en blok 2 uitsluitend voor Acetylsalicylzuur (YA2=16,9Y_{A2} = 16{,}9), levert het verschil tussen deze twee blokken een directe schatting voor P−AP - A:         θ^b=YP1−YA2=25,9−16,9=9,0\hat{\theta}_b = Y_{P1} - Y_{A2} = 25{,}9 - 16{,}9 = 9{,}0         waarbij de index 'bb' staat voor 'between-block'.
  • Variantiecomponenten van het Mixed Model:

    • Bij het fitten van lmer op de gereduceerde, ongebalanceerde dataset worden de volgende variantiecomponenten geschat:
      • Variantie tussen blokken: σb2=12,19\sigma_b^2 = 12{,}19
      • Residuele toevallige foutvariantie: σ2=22,77\sigma^2 = 22{,}77
  • Wiskundige Afleiding van de Variantie van θ^b\hat{\theta}_b:

    • Uitschrijven van de stochastische termen via de mixed model vergelijking:         YP1=μ+τP+b1+ϵP1Y_{P1} = μ + τ_P + b_1 + ϵ_{P1}YA2=μ+τA+b2+ϵA2Y_{A2} = μ + τ_A + b_2 + ϵ_{A2}
    • Het verschil bedraagt:         YP1−YA2=(τP−τA)+b1−b2+ϵP1−ϵA2Y_{P1} - Y_{A2} = (τ_P - τ_A) + b_1 - b_2 + ϵ_{P1} - ϵ_{A2}
    • Aangezien alle random effecten (b1,b2,ϵP1,ϵA2b_1, b_2, \epsilon_{P1}, \epsilon_{A2}) onderling onafhankelijk zijn, sommeren hun varianties:         Var(θ^b)=Var(b1)+Var(−b2)+Var(ϵP1)+Var(−ϵA2)\text{Var}(\hat{\theta}_b) = \text{Var}(b_1) + \text{Var}(-b_2) + \text{Var}(ϵ_{P1}) + \text{Var}(-ϵ_{A2})Var(θ^b)=σb2+(−1)2σb2+σ2+(−1)2σ2=2σb2+2σ2\text{Var}(\hat{\theta}_b) = \sigma_b^2 + (-1)^2 \sigma_b^2 + \sigma^2 + (-1)^2 \sigma^2 = 2\sigma_b^2 + 2\sigma^2
    • Invullen van de geschatte variantiecomponenten (σb2=12,19\sigma_b^2 = 12{,}19 en σ2=22,77\sigma^2 = 22{,}77):         Var(θ^b)=2(12,19)+2(22,77)=24,38+45,54=69,92\text{Var}(\hat{\theta}_b) = 2(12{,}19) + 2(22{,}77) = 24{,}38 + 45{,}54 = 69{,}92         (Inclusief numerieke afrondingen rapporteert de analyse hiervoor een waarde van 69,23269{,}232).
  • Vergelijking van de Varianties van Beide Schatters:

    • De variantie van de between-block schatter (Var(θ^b)=69,232\text{Var}(\hat{\theta}_b) = 69{,}232) is aanzienlijk groter dan die van de within-block schatter (Var(θ^w)=11,026\text{Var}(\hat{\theta}_w) = 11{,}026).
    • Dit grote verschil wordt verklaard door twee structurele oorzaken:
      1. Hoeveelheid informatie: De within-block schatter is gebaseerd op observaties uit 44 blokken, terwijl de between-block schatter slechts gebaseerd is op 11 observatiepaar uit 22 blokken.
      2. Aanwezigheid van blokvariabiliteit: Binnen een blok vallen de blokeffecten weg (bj−bj=0b_j - b_j = 0). Bij het vergelijken tussen verschillende blokken blijft de blok-tot-blok variabiliteit (2σb22\sigma_b^2) integraal aanwezig in de variantie van de schatter.

De Gecombineerde Gewogen Schatter in het Mixed Model

  • Synthese van Informatie via Gewogen Gemiddelde:

    • Het mixed model combineert de within-block schatter (θ^w=10,775\hat{\theta}_w = 10{,}775) en de between-block schatter (θ^b=9,0\hat{\theta}_b = 9{,}0 tot één finale puntschatting.
    • De combinatie geschiedt via een gewogen gemiddelde waarbij de gewichten omgekeerd evenredig zijn aan de respectievelijke varianties (precisieweging: hoe groter de onzekerheid/variantie van een schatter, hoe lager het toegekende gewicht).
  • Formulering van de Gewichten:

    • Gewichten worden gedefinieerd als:         ww=1Var(θ^w)w_w = \frac{1}{\text{Var}(\hat{\theta}_w)}wb=1Var(θ^b)w_b = \frac{1}{\text{Var}(\hat{\theta}_b)}
    • De gecombineerde schatter θ^mixed\hat{\theta}_{mixed} is:         θ^mixed=wwθ^w+wbθ^bww+wb=1Var(θ^w)θ^w+1Var(θ^b)θ^b1Var(θ^w)+1Var(θ^b)\hat{\theta}_{mixed} = \frac{w_w \hat{\theta}_w + w_b \hat{\theta}_b}{w_w + w_b} = \frac{\frac{1}{\text{Var}(\hat{\theta}_w)} \hat{\theta}_w + \frac{1}{\text{Var}(\hat{\theta}_b)} \hat{\theta}_b}{\frac{1}{\text{Var}(\hat{\theta}_w)} + \frac{1}{\text{Var}(\hat{\theta}_b)}}
    • Numerieke uitkomst: Het invullen van de waarden levert op:         θ^mixed=10,514\hat{\theta}_{mixed} = 10{,}514
    • Deze waarde ligt noodzakelijkerwijs tussen de twee afzonderlijke schatters (9,09{,}0 en 10,77510{,}775) in, maar ligt substantieel dichter bij 10,77510{,}775 omdat de within-block schatter een veel groter gewicht heeft gekregen vanwege zijn veel lagere variantie.
  • Wiskundige Afleiding van de Variantie van de Gecombineerde Schatter:

    • Definieer de constante factor KK als de inverse van de som van de gewichten:         K=11Var(θ^w)+1Var(θ^b)=Var(θ^w)Var(θ^b)Var(θ^w)+Var(θ^b)K = \frac{1}{\frac{1}{\text{Var}(\hat{\theta}_w)} + \frac{1}{\text{Var}(\hat{\theta}_b)}} = \frac{\text{Var}(\hat{\theta}_w) \text{Var}(\hat{\theta}_b)}{\text{Var}(\hat{\theta}_w) + \text{Var}(\hat{\theta}_b)}
    • Hierdoor kan de gecombineerde schatter compact worden geschreven als:         θ^mixed=K(θ^wVar(θ^w)+θ^bVar(θ^b))\hat{\theta}_{mixed} = K \left( \frac{\hat{\theta}_w}{\text{Var}(\hat{\theta}_w)} + \frac{\hat{\theta}_b}{\text{Var}(\hat{\theta}_b)} \right)
    • Aangezien θ^w\hat{\theta}_w en θ^b\hat{\theta}_b zijn berekend op basis van verschillende, onafhankelijke blokken, zijn ze onderling stochastisch onafhankelijk. Berekening van de variantie:         Var(θ^mixed)=K2(Var(θ^wVar(θ^w))+Var(θ^bVar(θ^b)))\text{Var}(\hat{\theta}_{mixed}) = K^2 \left( \text{Var}\left( \frac{\hat{\theta}_w}{\text{Var}(\hat{\theta}_w)} \right) + \text{Var}\left( \frac{\hat{\theta}_b}{\text{Var}(\hat{\theta}_b)} \right) \right)Var(θ^mixed)=K2(1(Var(θ^w))2Var(θ^w)+1(Var(θ^b))2Var(θ^b))\text{Var}(\hat{\theta}_{mixed}) = K^2 \left( \frac{1}{(\text{Var}(\hat{\theta}_w))^2} \text{Var}(\hat{\theta}_w) + \frac{1}{(\text{Var}(\hat{\theta}_b))^2} \text{Var}(\hat{\theta}_b) \right)Var(θ^mixed)=K2(1Var(θ^w)+1Var(θ^b))\text{Var}(\hat{\theta}_{mixed}) = K^2 \left( \frac{1}{\text{Var}(\hat{\theta}_w)} + \frac{1}{\text{Var}(\hat{\theta}_b)} \right)
    • Omdat per definitie geldt dat (1Var(θ^w)+1Var(θ^b))=1K\left( \frac{1}{\text{Var}(\hat{\theta}_w)} + \frac{1}{\text{Var}(\hat{\theta}_b)} \right) = \frac{1}{K}, vereenvoudigt dit direct tot:         Var(θ^mixed)=K2×1K=K\text{Var}(\hat{\theta}_{mixed}) = K^2 \times \frac{1}{K} = K
  • Numerieke Uitwerking en Conclusie:

    • Invullen van de varianties levert voor de variantie van de gecombineerde mixed model schatter:         Var(θ^mixed)=K=9,511\text{Var}(\hat{\theta}_{mixed}) = K = 9{,}511
    • De standaardfout (SE) van de gecombineerde schatter bedraagt:         SE(θ^mixed)=9,511=3,084\text{SE}(\hat{\theta}_{mixed}) = \sqrt{9{,}511} = 3{,}084
    • Vergelijking van precisie: De standaardfout in het mixed model (3,0843{,}084) is kleiner dan de standaardfout in het fixed effects model (3,323{,}32).
    • Doordat het mixed model via de between-block informatiebron ook de onvolledige blokken benut in plaats van ze weg te gooien, bereikt het model een hogere statistische efficiëntie en levert het een nauwkeurigere schatting met een kleinere foutenmarge op.