Czytałem o obliczaniu wartości w modelach mieszanych i po przeczytaniu FAQ R-sig, innych postów na tym forum (zamieściłem kilka, ale nie mam wystarczającej reputacji) i kilku innych odniesień, rozumiem, że używając Wartości w kontekście modeli mieszanych są skomplikowane.R 2
Ostatnio jednak natknąłem się na te dwa artykuły poniżej. Chociaż te metody wyglądają obiecująco (dla mnie), nie jestem statystykiem i jako taki zastanawiałem się, czy ktokolwiek inny miałby jakiś wgląd w proponowane metody i ich porównanie z innymi zaproponowanymi metodami.
Nakagawa, Shinichi i Holger Schielzeth. „Ogólna i prosta metoda uzyskiwania R2 z uogólnionych liniowych modeli efektów mieszanych.” Methods in Ecology and Evolution 4.2 (2013): 133-142.
Johnson, Paul CD. „Rozszerzenie R2GLMM firmy Nakagawa i Schielzeth na losowe modele stoków”. Methods in Ecology and Evolution (2014).
Metoda is może być również zaimplementowana przy użyciu funkcji r.squaredGLMM w pakiecie MuMIn, która daje następujący opis metody.
W przypadku modeli z efektami mieszanymi można podzielić na dwa typy. Marginalna reprezentuje wariancję wyjaśnioną przez ustalone czynniki i jest zdefiniowana jako: Warunkowe jest interpretowane jako wariancja wyjaśniona zarówno przez stałe, jak i losowe czynniki (tj. cały model) i jest obliczana zgodnie z równaniem: gdzie to wariancja składników stałego efektu, a to suma wszystkich składników wariancji (grupa, indywidualna itp.),R 2
jest wariancją wynikającą z dyspersji addytywnej, a jest wariancją specyficzną dla rozkładu.
W mojej analizie patrzę na dane podłużne i interesuje mnie przede wszystkim wariancja wyjaśniona stałymi efektami w modelu
library(MuMIn)
library(lme4)
fm1 <- lmer(zglobcog ~ age_c + gender_R2 + ibphdtdep + iyeareducc + apoegeno + age_c*apoegeno + (age_c | pathid), data = dat, REML = FALSE, control = lmerControl(optimizer = "Nelder_Mead"))
# Jarret Byrnes (correlation between the fitted and the observed values)
r2.corr.mer <- function(m) {
lmfit <- lm(model.response(model.frame(m)) ~ fitted(m))
summary(lmfit)$r.squared
}
r2.corr.mer(fm1)
[1] 0.8857005
# Xu 2003
1-var(residuals(fm1))/(var(model.response(model.frame(fm1))))
[1] 0.8783479
# Nakagawa & Schielzeth's (2013)
r.squaredGLMM(fm1)
R2m R2c
0.1778225 0.8099395
źródło
Odpowiedzi:
Odpowiadam, wklejając odpowiedź Douglasa Batesa na liście mailingowej R-Sig-ME, 17 grudnia 2014 r., Na pytanie, jak obliczyć statystyki dla uogólnionych liniowych modeli mieszanych, które moim zdaniem należy przeczytać dla wszystkich zainteresowanych takie coś. Bates jest oryginalnym autorem pakietu dla R i współautorem , a także współautorem znanej książki o modelach mieszanych , a CV skorzysta z tekstu w odpowiedzi, a nie tylko linku do to.R2
lme4
nlme
źródło
Po przejrzeniu literatury natknąłem się na następujący artykuł, który porównuje kilka różnych metod obliczania wartości dla modeli mieszanych, gdzie metody (MVP) są równoważne metodzie zaproponowanej przez Nakagawę i Schielzeth.R2 R2
źródło