Висновок про фіксовані ефекти в моделі змішаних ефектів

Я співвідносив дані і використовую модель змішаних ефектів логістичної регресії для оцінки індивідуального рівня (умовного) ефекту для прогнозованого інтересу. Я знаю, що для стандартних граничних моделей висновок про параметри моделі за допомогою тесту Вальда відповідає співвідношенню ймовірності та тестування балів. Зазвичай вони приблизно однакові. Оскільки Wald легко обчислити і доступний у виводі R, я використовую це 99% часу.

Однак у моделі змішаних ефектів мене заінтригувало побачити величезну різницю між тестом Wald для фіксованих ефектів, оскільки вони повідомляються у виведенні моделі в R, та тестом коефіцієнта ймовірності "від руки" - що передбачає фактично підходить до зменшеної моделі. Інтуїтивно зрозуміло, чому це може призвести до величезних змін, оскільки в зменшеній моделі дисперсія випадкового ефекту переоцінюється і може істотно вплинути на ймовірність.

Може хтось пояснить

1. Як обчислюються статистичні дані тесту Wald в R для фіксованих ефектів?
2. Яка інформаційна матриця для оцінюваних параметрів моделі в моделі змішаних ефектів? (і той самий mx, з якого обчислюються статистичні дані Wald?)
3. Які відмінності в інтерпретації результатів двох тестів у описаних нами випадках? які з них в основному мотивовані і використовуються в літературі для висновку?

Традиційна статистика Вальда для перевірки гіпотези H0 Lt = l для заданих L, rxp та l, rx 1 задається W = (Lt - l) '[L (X'H-1 X) -1 L'] -1 (Lt - l) і асимптотично ця статистика має розподіл chi-квадрата на r ступенях свободи. Це граничні тести, так що в постійній частині моделі є коригування для всіх інших термінів. R є відкритим кодом

1. У вас є джерело?
2. Яка саме ваша модель? Змішані ефекти є досить широкою категорією, наскільки це резонує в інформаційній матриці Фішера.
3. Ви маєте на увазі коефіцієнт ймовірності та тестовий бал?