Доля объясненной дисперсии в модели смешанных эффектов

18

Я не знаю, спрашивалось ли об этом раньше, но я ничего не нашел по этому поводу. Мой вопрос заключается в том, может ли кто-нибудь предоставить хорошую справку, чтобы узнать, как получить долю дисперсии, объясняемой каждым из фиксированных и случайных факторов в модели смешанных эффектов.

Мануэль Рамон
источник
4
Хороший вопрос, но у меня нет (ссылки) хорошего ответа. Существует более одного уровня вариации в смешанных моделях, поэтому есть более чем один компонент дисперсии, чтобы объяснить, плюс спорны, можно ли сказать, что действительно случайные эффекты «объясняют» дисперсию. Я думаю, что вся концепция «объясненной пропорции дисперсии» менее полезна в смешанных моделях.
OneStop
Вот еще несколько дискуссий на эту тему: stat.ethz.ch/pipermail/r-sig-mixed-models/2010q1/003363.html
user5475
1
Гельмановский подход "байесовской дисперсии" также может быть полезен.
N Brouwer

Ответы:

12

Я могу предоставить некоторые ссылки:

Сюй Р. (2003). Измерение объяснил вариации в линейных моделях смешанных эффектов. Статистика в медицине , 22 , 3527-3541. DOI: 10.1002 / sim.1572

р2

Hössjer, O. (2008). О коэффициенте детерминации для моделей смешанной регрессии. Журнал статистического планирования и вывода , 138 , 3022-3038. DOI: 10.1016 / j.jspi.2007.11.010

р2

Приятного чтения!

Wolfgang
источник
5

В соответствии с MuMInR21

#load packages
library(lme4)
library(MuMIn)

#Fit Model
m <- lmer(mpg ~ gear + disp + (1|cyl), data = mtcars)

#Determine R2:
r.squaredGLMM(m) 

       R2m       R2c 
 0.5476160 0.7150239  

Выход для функции r.squaredGLMMобеспечивает:

  • R2m : предельное значение R в квадрате, связанное с фиксированными эффектами

  • Условное значение R2c R2, связанное с фиксированными эффектами плюс случайные эффекты.

Примечание: комментарий к связанному сообщению в блоге предполагает, что альтернативный подход, вдохновленный Nakagawa & Schielzeth, разработанный Джоном Лефчеком (с использованием sem.model.fitsфункции в piecewiseSEMпакете), дал идентичные результаты. Итак, у вас есть варианты: р.

  • Я не тестировал эту последнюю функцию, но я тестировал r.squaredGLMM()функцию в MuMInпакете и поэтому могу подтвердить, что она все еще функционирует сегодня (2018).

  • Что касается обоснованности этого подхода, я оставляю чтение Nakagawa & Schielzeth (2013) (и последующую статью Johnson 20142) вам решать.


1: Накагава, S., и Schielzeth, H. 2013. Общий и простой метод получения R2 из обобщенных линейных моделей смешанных эффектов. Методы в экологии и эволюции 4 (2): 133-142.

2: Джонсон, PCD 2014 Расширение модели R2GLMM компании Nakagawa & Schielzeth для моделей со случайными уклонами. Методы в экологии и эволюции 5: 44–946.

theforestecologist
источник
1
Спасибо @theforestecologist за ваш ответ. Я посмотрю на упомянутые пакеты.
Мануэль Рамон