Я использую lme4 в R, чтобы соответствовать смешанной модели
lmer(value~status+(1|experiment)))
где значение непрерывно, статус и эксперимент являются факторами, и я получаю
Linear mixed model fit by REML
Formula: value ~ status + (1 | experiment)
AIC BIC logLik deviance REMLdev
29.1 46.98 -9.548 5.911 19.1
Random effects:
Groups Name Variance Std.Dev.
experiment (Intercept) 0.065526 0.25598
Residual 0.053029 0.23028
Number of obs: 264, groups: experiment, 10
Fixed effects:
Estimate Std. Error t value
(Intercept) 2.78004 0.08448 32.91
statusD 0.20493 0.03389 6.05
statusR 0.88690 0.03583 24.76
Correlation of Fixed Effects:
(Intr) statsD
statusD -0.204
statusR -0.193 0.476
Как я могу узнать, что влияние статуса является значительным? R сообщает только а не p-значения .
Ответы:
По этой теме много информации в FAQ по GLMM . Тем не менее, в вашем конкретном случае, я бы предложил использовать
потому что вам не нужно ничего из того, что
lmer
предлагает (более высокая скорость, обработка скрещенных случайных эффектов, GLMM ...).lme
должно дать вам точно такой же коэффициент и дисперсии оценок , но и вычислить ДФ и р-значения для вас (что делать имеет смысл в «классический» дизайн , такие , как вы , кажется, есть). Возможно, вы также захотите рассмотреть случайный термин~status|experiment
( учитывающий изменение эффектов состояния между блоками или эквивалентно включающий взаимодействие «статус за экспериментом»). Постеры выше также верны, что вашаt
статистика настолько велика, что ваше p-значение определенно будет <0,05, но я могу представить, что вам нужны «реальные» p-значения.источник
lmer
может так же легко сообщать о тех же самых p-значениях, но не по уважительным причинам. Я предполагаю, что это комментарий, что здесь есть какие-то "реальные" p-значения, которые меня раздражают. Вы можете утверждать, что вы можете найти одну возможную отсечку, и что любая разумная отсечка пропущена. Но вы не можете утверждать, что есть реальное значение p.summary(m1)
вместо этого (я использую это с пакетом nlme)Вы можете использовать пакет lmerTest . Вы просто устанавливаете / загружаете его, и модели lmer расширяются. Так, например,
даст вам результаты с р-значениями. Если p-значения правильные, это немного оспаривается, но если вы хотите их получить, это способ их получить.
источник
Если вы можете справиться с отказом от p-значений ( и вы должны это сделать ), вы можете вычислить отношение правдоподобия, которое представляло бы вес доказательств влияния статуса, с помощью:
источник
Проблема в том, что вычисление p-значений для этих моделей не является тривиальным, см. Здесь обсуждение, поэтому авторы
lme4
пакета намеренно решили не включать p-значения в выходные данные. Вы можете найти метод расчета их, но они не обязательно будут правильными.источник
Подумай, что ты спрашиваешь. Если вы просто хотите узнать, проходит ли общее значение p для эффекта состояния какое-то произвольное значение отсечения, например 0,05, то это просто. Во-первых, вы хотите узнать общий эффект. Вы можете получить это от
anova
.Теперь у вас есть значение F. Вы можете взять это и посмотреть в некоторых F таблицах. Просто выберите минимально возможный деном. степени свободы. Отсечка там будет около 20. Ваш F может быть больше, чем это, но я могу ошибаться. Даже если это не так, посмотрите на количество степеней свободы по сравнению с обычным расчетом ANOVA, используя количество экспериментов, которые у вас есть. Придерживаясь этого значения, вы уменьшаете примерно до 5 для отсечки. Теперь вы легко проходите это в своем кабинете. «Истинный» df для вашей модели будет выше, чем это, потому что вы моделируете каждую точку данных, а не агрегированные значения, которые будет моделировать ANOVA.
Если вы на самом деле хотите получить точное значение p, такой вещи не будет, если вы не готовы сделать теоретическое утверждение об этом. Если вы читаете Pinheiro & Bates (2001, и, возможно, еще несколько книг по этой теме ... см. Другие ссылки в этих ответах), и у вас нет аргумента для конкретного df, тогда вы можете использовать это. Но вы все равно не ищете точное значение p. Я упоминаю об этом, потому что поэтому вы не должны сообщать точное значение p, только то, что ваша отсечка пройдена.
Вы должны действительно рассмотреть ответ Майка Лоуренса, потому что сама идея просто придерживаться точки прохода для p-значений в качестве окончательной и наиболее важной информации для извлечения из ваших данных, как правило, ошибочна (но может и не быть в вашем случае, так как мы не на самом деле достаточно информации, чтобы знать). Майк использует любопытную версию вычисления LR, которая может быть интересной, но может быть трудно найти много документации по ней. Если вы посмотрите на выбор и интерпретацию модели с помощью AIC, она вам может понравиться.
источник
Редактировать: этот метод больше не поддерживается в более новых версиях lme4. Используйте пакет lmerTest, как предложено в этом ответе pbx101 .
Существует запись в списке R автором lme4 для почему не отображаются значения р. Вместо этого он предлагает использовать образцы MCMC, что вы делаете с помощью pvals.fnc из пакета languageR:
См. Http://www2.hawaii.edu/~kdrager/MixedEffectsModels.pdf для примера и подробностей.
источник
Вы заинтересованы в том, чтобы узнать, оказывает ли комбинированный эффект
status
существенное влияние наvalue
? Если это так, вы можете использоватьAnova
функцию вcar
пакете (не путать сanova
функцией в базеR
).Посмотрите
?Anova
после загрузкиcar
пакета.источник
car::Anova()
избежать липких проблем, связанных с вычислением p-значений, которые связывает Мишель?anova
команда даст вам F.Функция
pvals.fnc
больше не поддерживается lme4. Используя пакет lmerTest package, можно использовать другой метод для вычисления p-значения, такой как приближения Кенварда-Роджера.источник
Простая загрузка пакета afex выведет p-значения в выводе функции lmer из пакета lme4 (вам не нужно использовать afex; просто загрузите его):
Это автоматически добавит столбец p-значения к выводу lmer (yourmodel) для фиксированных эффектов.
источник