Vortrag von

• Herrn Prof. Dr. Schlattmann vom Institut für Medizinische Statistik, Informatik und Datenwissenschaften, Universitätsklinikum Jena

Lineare gemischte Modelle erlauben es, bei der statistischen Auswertung von Meta-Analysen Heterogenität zwischen Studien zu quantifizieren (Blettner et al, 2014). Dies geschieht mit zweistufigen gemischten Modellen. Manchmal werden multiple Expositionen in ein und derselben Studie betrachtet. Dies erzeugt Korrelationen innerhalb der einbezogenen Studien, die bei der Auswertung berücksichtigt werden müssen. Dies kann mit einem linearen gemischten Modell mit mehreren Ebenen erfolgen (Harrer et al, Kapitel 10). Das Modell wird anhand eines aktuellen Beispiels aus der Arbeitsmedizin vorgestellt, bei dem es um den Zusammenhang zwischen UV-Exposition und einem Plattenepithelkarzinom (PEK) der Haut in Abhängigkeit von der Tätigkeit in landwirtschaftlichen Berufen geht.

Darüber hinaus spielen lineare gemischte Modelle eine große Rolle bei der Analyse korrelierter Daten. Am Beispiel der Größe von Männern und Frauen unterschiedlicher Familien werden die Analysekonzepte und die Abgrenzung zu gewöhnlichen linearen Modellen vorgestellt.

Eine weitere wichtige Anwendung sind longitudinale Daten. Anhand eines Beispiels aus der Literatur werden die Strategien zur Modellwahl vorgestellt stellt, insbesondere anhand welcher Kriterien die Struktur der festen und zufälligen Effekte des Modells bestimmt werden kann. Dazu wird auf die Schätzung der Modellparameter mit der Maximum Likelihood und der Restricted Maximum Likelihood Methode eingegangen.

Die praktische Durchführung der Analysen für die Beispieldaten erfolgt teils mit SPSS, sowie mit der frei verfügbaren Software R und wird im Vortrag erläutert.

Literaturverzeichnis:
[1] M. Blettner, U. Krahn, and P. Schlattmann. Meta-Analysis in Epidemiology, pages 1377–1411. Springer New York, New York, NY, 2014.

[2] M. Harrer, P. Cuijpers, F. T. A, and D. D. Ebert. Doing Meta-Analysis With R: A Hands-On Guide. Chapman & Hall/CRC Press, Boca Raton, FL and London, 1st edition, 2021.

[3] J. Pinheiro and D. Bates. Mixed-effects models in S and S-Plus. Statistics and Computing. New York, NY: Springer. xvi, 528 p., 2000.

[4] G. Verbeke and G. Molenberghs. Linear Mixed Models for Longitudinal Data. Springer New York, New York, NY, 2000.