Интерпретация случайного отклонения эффекта в блеске

Я пересматриваю статью о опылении, где данные распределены биномиально (плод созревает или нет). Поэтому я использовал glmerодин случайный эффект (отдельное растение) и один фиксированный эффект (обработка). Рецензент хочет знать, повлияло ли растение на плодоношение, но у меня проблемы с интерпретацией glmerрезультатов.

Я читал в Интернете, и, кажется, могут быть проблемы с прямым сравнением glmи glmerмоделями, поэтому я этого не делаю. Я подумал, что самый простой способ ответить на этот вопрос - сравнить случайную дисперсию эффекта (1.449, ниже) с общей дисперсией или дисперсией, объясняемой лечением. Но как мне рассчитать эти другие отклонения? Похоже, они не включены в вывод ниже. Я читал что-то о том, что остаточные отклонения не включены в биномиальные значения glmer- как мне интерпретировать относительную важность случайного эффекта?

> summary(exclusionM_stem)
Generalized linear mixed model fit by maximum likelihood (Laplace
  Approximation) [glmerMod]
 Family: binomial  ( logit )
Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID)

     AIC      BIC   logLik deviance df.resid 
   125.9    131.5    -59.0    117.9       26 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.0793 -0.8021 -0.0603  0.6544  1.9216 

Random effects:
 Groups  Name        Variance Std.Dev.
 PlantID (Intercept) 1.449    1.204   
Number of obs: 30, groups:  PlantID, 10

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)  -0.5480     0.4623  -1.185   0.2359   
TreatmentD   -1.1838     0.3811  -3.106   0.0019 **
TreatmentN   -0.3555     0.3313  -1.073   0.2832   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
           (Intr) TrtmnD
TreatmentD -0.338       
TreatmentN -0.399  0.509

Хотя получение аналога «дисперсии пропорций, объясняемой каждым эффектом» в принципе возможно для GLMM, есть несколько усложняющих факторов (какие уровни модели вы считаете «общей дисперсией», и как вы определяете количественно вариацию выборки из-за распределение выборки самого низкого уровня [биномиальное в данном случае]? Накагава и Шилзет (doi: 10.1111 / j.2041-210x.2012.00261.x) представляют общий подход к вычислению R ^ 2 (объясненной доли общей дисперсии) для (G) LMM, которые стали довольно популярными в экологии; Сюй и др. 2003принять аналогичный подход. В принципе, этот подход, вероятно, можно расширить, чтобы учесть долю дисперсии, объясняемую различными терминами [но учтите, что «доля дисперсии» всех терминов в модели, рассматриваемой таким образом, вероятно, не составит в целом 100% - это может быть более или менее].

Однако, если ваш рецензент не зацикливается на статистических деталях и был бы удовлетворен более эвристическим объяснением «важности», вы могли бы указать, что предполагаемое стандартное отклонение между растениями составляет 1,20, очень близко к величине наибольшего лечебный эффект (-1,18); это означает, что растения сильно различаются по отношению к величине эффектов обработки (например, 95% -ный диапазон эффектов растения составляет приблизительно , от до ).- 1,96 σ + 1,96 $4\sigma$$-1.96 \sigma$$+1.96\sigma$

Визуально:

PlantID$0$

В вашем случае у вас есть несколько мер на завод, поэтому один быстрый и грязный подход - запустить модель с PlantIDфиксированным эффектом и протестировать этот эффект.

Простой ответ вашему рецензенту: «Да». Если он просит вас проверить, отличается ли дисперсия случайного эффекта от 0, у вас есть пара вариантов. Обратите внимание, что многим умным людям неудобно тестировать, если отклонения случайных эффектов отличаются от 0.

Простейшим является критерий отношения правдоподобия, хотя он не рекомендуется большинством. Они очень консервативны при тестировании на границах (т. Е. Вы тестируете против дисперсии 0, которая настолько низка, насколько это возможно). Существует эмпирическое правило, что значение p примерно вдвое больше, чем на самом деле.

Метод, рекомендуемый большинством мест, - это параметрический бутстрап. Вы можете использовать bootMerиз lme4пакета. Убедитесь, что для параметра REML вашей функции lmer установлено значение FALSE, в противном случае ваша дисперсия будет больше 0 100% времени (или близка к ней ... на самом деле она, вероятно, будет больше 0, почти 100% от время все равно).

Некоторые советы и дополнительные ресурсы:

http://glmm.wikidot.com/faq (найти Как проверить, значим ли случайный эффект?)

Параметрическое начальное тестирование lmer () для фиксированных эффектов

http://www.r-bloggers.com/using-bootmer-to-do-model-comparison-in-r/

В Q-тесте Кохрана с несколькими образцами они используют анову для сравнения результатов двух моделей (одна без случайных эффектов и одна со случайными эффектами).

Университет Байарских островов, Хайро Роча