Я в настоящее время использую пакет R lme4 .
Я использую линейные модели смешанных эффектов со случайными эффектами:
library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect +
# random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects +
# random effects
Для сравнения моделей я использую anova
функцию и смотрю на различия в AIC относительно самой низкой модели AIC:
anova(mod1, mod2, mod3)
Вышесказанное отлично подходит для сравнения моделей.
Тем не менее, мне также нужен какой-то простой способ интерпретации правильности подходящих мер для каждой модели. У кого-нибудь есть опыт с такими мерами? Я провел некоторое исследование, и есть журнальные статьи по квадрату R для фиксированных эффектов моделей смешанных эффектов:
- Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA & Muller, KE (2010). Реальный продольный анализ данных для реальных людей: Построение достаточно хорошей смешанной модели. Статистика в медицине, 29 (4), 504-520. doi: 10.1002 / sim.3775
- Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF, & Schabenberger, O. (2008). Статистика R2 для фиксированных эффектов в линейной смешанной модели. Статистика в медицине, 27 (29), 6137-6157. doi: 10.1002 / sim.3429
Однако представляется, что существует некоторая критика в отношении использования мер, подобных тем, которые предложены в вышеуказанных документах.
Может ли кто-нибудь предложить несколько простых для понимания, подходящих мер, которые могут применяться к моим моделям?
mixed()
в моем пакете afex ( версия для разработки также имеет параметрическую загрузку ). Смотрите здесь для некоторых ссылок .KRmodcomp
из пакетаpbkrtest
. Вы также можете использоватьKRmodcomp
непосредственно для сравнения моделей.Ответы:
Для линейных смешанных моделей нет ничего проще, чем просто оценить меру соответствия.
Случайный эффект подходит (mod1) могут быть измерены
ICC
иICC2
(соотношение между дисперсией учитывается случайными эффектами и остаточной дисперсией). психометрический пакет R включает в себя функцию для извлечения их образуют объект LME.Можно использовать
R2
для оценки фиксированного эффекта (mod2, mod3), но это может быть непросто: когда две модели демонстрируют похожий R2, может оказаться, что одна более «точна», но замаскирована ее фиксированным коэффициентом » вычитая «больший компонент дисперсии к случайному эффекту. С другой стороны, легко интерпретировать больший R2 модели высшего порядка (например, mod3). В главе Баайена о смешанных моделях есть хорошая дискуссия по этому поводу. Кроме того, это руководство очень ясно.Возможным решением является рассмотрение каждого
variance component
независимо, а затем использовать их для сравнения моделей.источник