Przeglądam artykuł na temat zapylania, w którym dane są dystrybuowane dwumianowo (owoce dojrzewają lub nie). Użyłem więc glmer
z jednym losowym efektem (pojedyncza roślina) i jednym stałym efektem (leczenie). Recenzent chce wiedzieć, czy roślina miała wpływ na zbiór owoców - ale mam problem z interpretacją glmer
wyników.
Czytałem w Internecie i wydaje się, że mogą występować problemy z bezpośrednim porównywaniem glm
i glmer
modelami, więc tego nie robię. Uznałem, że najprostszym sposobem odpowiedzi na pytanie byłoby porównanie wariancji efektu losowego (1.449, poniżej) z wariancją całkowitą lub wariancją wyjaśnioną przez leczenie. Ale jak obliczyć te inne wariancje? Nie wydają się być uwzględnione w wynikach poniżej. Przeczytałem coś o tym, że resztkowe wariancje nie są uwzględnione dla dwumianu glmer
- jak interpretować względną ważność losowego efektu?
> summary(exclusionM_stem)
Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID)
AIC BIC logLik deviance df.resid
125.9 131.5 -59.0 117.9 26
Scaled residuals:
Min 1Q Median 3Q Max
-2.0793 -0.8021 -0.0603 0.6544 1.9216
Random effects:
Groups Name Variance Std.Dev.
PlantID (Intercept) 1.449 1.204
Number of obs: 30, groups: PlantID, 10
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.5480 0.4623 -1.185 0.2359
TreatmentD -1.1838 0.3811 -3.106 0.0019 **
TreatmentN -0.3555 0.3313 -1.073 0.2832
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) TrtmnD
TreatmentD -0.338
TreatmentN -0.399 0.509
PlantID
W twoim przypadku masz wiele miar na roślinę, więc jednym szybkim i brudnym podejściem jest uruchomienie modelu ze
PlantID
stałym efektem i przetestowanie tego efektu.źródło
Prosta odpowiedź dla recenzenta brzmi: „Tak”. Jeśli poprosi cię o sprawdzenie, czy wariancja efektu losowego różni się znacząco od 0, masz kilka opcji. Zauważ jednak, że wielu inteligentnych ludzi nie czuje się komfortowo podczas testowania, jeśli wariancje efektów losowych są różne od 0.
Najprostszy jest testem prawdopodobieństwa, choć nie jest zalecany przez większość. Są bardzo konserwatywne podczas testowania na granicach (tj. Testujesz względem wariancji 0, która jest tak niska, jak to tylko możliwe). Istnieje ogólna zasada, że wartość p jest około dwa razy większa niż w rzeczywistości.
Metodą zalecaną w większości miejsc jest parametryczny bootstrap. Możesz użyć
bootMer
zlme4
pakietu. Upewnij się, że ustawiłeś parametr REML funkcji lmer na FAŁSZ, w przeciwnym razie Twoja wariancja będzie większa niż 0 100% czasu (lub blisko niej ... w rzeczywistości prawdopodobnie będzie większa niż 0 prawie 100% czas i tak).Kilka wskazówek i dalszych zasobów:
http://glmm.wikidot.com/faq (znajdź nagłówek Jak sprawdzić, czy losowy efekt jest znaczący?)
lmer () parametryczne testowanie bootstrap dla ustalonych efektów
http://www.r-bloggers.com/using-bootmer-to-do-model-comparison-in-r/
źródło
W teście Q testu Cochrana z wieloma próbkami używają anova do porównania wyników dwóch modeli (jednego bez efektów losowych i jednego z efektami losowymi).
Jairo Rocha University of Balearic
źródło