Я надеюсь, что кто-то может помочь с тем, что я считаю относительно простым вопросом, и я думаю, что знаю ответ, но без подтверждения он стал тем, в чем я просто не могу быть уверен.
У меня есть данные подсчета в качестве переменной ответа, и я хочу измерить, как эта переменная изменяется при пропорциональном присутствии чего-либо.
Более подробно, переменная отклика представляет собой подсчет присутствия вида насекомых в ряде мест, поэтому, например, участок отбирается 10 раз, и этот вид может встречаться 4 раза.
Я хочу посмотреть, коррелирует ли это с пропорциональным присутствием группы видов растений в общем сообществе растений на этих участках.
Это означает, что мои данные выглядят следующим образом (это только пример)
Site, insectCount, NumberOfInsectSamples, ProportionalPlantGroupPresence
1, 5, 10, 0.5
2, 3, 10, 0.3
3, 7, 9, 0.6
4, 0, 9, 0.1
Данные также включают случайный эффект для местоположения.
Я подумал о двух методах, один из которых будет линейной моделью ( lmer
) с насекомыми, преобразованными в пропорции, например
lmer.model<-lmer(insectCount/NumberOfInsectSamples~
ProportionalPlantGroupPresence+(1|Location),data=Data)
Вторым будет биномиальный GLMM ( glmer
), например
glmer.model <- glmer(cbind(insectCount,NumberOfInsectSamples-insectCount)~
ProportionalPlantGroupPresence+(1|Location),
data=Data,family="binomial")
Я полагаю, что биномиальный блеск является правильным методом, однако они дают довольно разные результаты. Кажется, я не могу найти окончательного ответа в сети, не чувствуя себя немного неуверенно, и хочу убедиться, что я не ошибаюсь.
Любая помощь или понимание альтернативных методов по этому вопросу будет высоко ценится.
Ответы:
Биномиальный GLMM, вероятно, правильный ответ.
(1|Site)
случайный эффект будет автоматически обрабатывать это (хотя см. Предостережение в Harrison 2015)glm(...,family=binomial)
- в этом случае вы также можете использовать квазибиномиальную модель (family=quasibinomial
) в качестве более простого, альтернативного способа для учета чрезмерной дисперсииесли вам нравится, вы также можете подогнать свой GLMM с пропорцией в качестве ответа, если вы установите
weights
аргумент равным количеству выборок:(это должно дать идентичные результаты в
glmer()
соответствии с вашим вопросом).Харрисон, Ксавье А. « Сравнение случайного эффекта на уровне наблюдения и бета-биномиальных моделей для моделирования сверхдисперсии в биномиальных данных в экологии и эволюции ». PeerJ 3 (21 июля 2015 г.): e1114. DOI: 10,7717 / peerj.1114.
источник