Я пытаюсь понять и знать, что сообщать из моего анализа некоторых данных с использованием усреднения модели по R.
Я использую следующий скрипт для анализа влияния метода измерения на данную переменную: Вот набор данных: https://www.dropbox.com/s/u9un273gzw9o30u/VMT4.csv?dl=0
Модель для установки:
LM.1 <- gls(VMTf ~ turn+sex+method, na.action="na.fail", method = "ML",VMT4)
полная модель драга
require(MuMIn)
d=dredge(LM.1)
print(d)
coefficients(d)
Получить сводную информацию обо всех моделях, чтобы получить оценки параметров
summary(model.avg(d))
Я знаю, что либо все модели могут быть усреднены (полное усреднение модели), либо только их подмножество (условное усреднение). Теперь я хотел бы знать: когда лучше использовать полное или условное усреднение, чтобы сделать выводы. Что я должен сообщить обо всем этом для научной статьи? Что означает именно значение Z и связанный p для модели усреднения ситуации?
Чтобы было проще визуализировать мои вопросы. Вот таблица результатов,
> summary(model.avg(d))# now, there are effects
Call:
model.avg(object = d)
Component model call:
gls(model = VMT ~ <8 unique rhs>, data = VMT4, method = ML, na.action =
na.fail)
Component models:
df logLik AICc delta weight
1 4 -247.10 502.52 0.00 0.34
12 5 -246.17 502.83 0.31 0.29
13 5 -246.52 503.52 1.01 0.20
123 6 -245.60 503.88 1.36 0.17
(Null) 2 -258.62 521.33 18.81 0.00
3 3 -258.38 522.95 20.43 0.00
2 3 -258.60 523.39 20.88 0.00
23 4 -258.36 525.05 22.53 0.00
Term codes:
method sex turn
1 2 3
Model-averaged coefficients:
(full average)
Estimate Std. Error Adjusted SE z value Pr(>|z|)
(Intercept) 42.63521 0.37170 0.37447 113.856 < 2e-16 ***
methodlight chamber -1.05276 0.36098 0.36440 2.889 0.00386 **
methodthermal gradient -1.80567 0.36103 0.36445 4.955 7e-07 ***
sex2 0.19023 0.29403 0.29548 0.644 0.51970
turn 0.05005 0.10083 0.10141 0.494 0.62165
(conditional average)
Estimate Std. Error Adjusted SE z value Pr(>|z|)
(Intercept) 42.6352 0.3717 0.3745 113.856 < 2e-16 ***
methodlight chamber -1.0528 0.3609 0.3643 2.890 0.00386 **
methodthermal gradient -1.8058 0.3608 0.3642 4.958 7.1e-07 ***
sex2 0.4144 0.3089 0.3119 1.328 0.18402
turn 0.1337 0.1264 0.1276 1.047 0.29492
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Relative variable importance:
method sex turn
Importance: 1.00 0.46 0.37
N containing models: 4 4 4
источник
Я думаю, что предположение о разнице между полными и условными средними значениями неверно. Один - это среднее значение, включающее нули (полные), а другое - нули (условные). из файла справки для команды model.avg ():
Если вы хотите использовать только подмножество моделей (например, на основе дельта AIC), используйте аргумент подмножества в model.avg (). Вы по-прежнему будете получать условные и полные оценки, если в некоторых из моделей отсутствуют некоторые переменные, которые есть у других.
источник