Staram się zrozumieć i wiedzieć, co zgłosić na podstawie analizy niektórych danych przy użyciu modelu uśrednionego w R.
Używam następującego skryptu do analizy wpływu metody pomiaru na daną zmienną: Oto zestaw danych: https://www.dropbox.com/s/u9un273gzw9o30u/VMT4.csv?dl=0
Model do zamontowania:
LM.1 <- gls(VMTf ~ turn+sex+method, na.action="na.fail", method = "ML",VMT4)
pogłębić pełny model
require(MuMIn)
d=dredge(LM.1)
print(d)
coefficients(d)
Uzyskaj informacje podsumowujące o wszystkich modelach, aby uzyskać oszacowania parametrów
summary(model.avg(d))
Wiem, że albo wszystkie modele można uśrednić (pełne uśrednienie modelu), albo tylko ich podzbiór (uśrednienie warunkowe). Teraz chciałbym wiedzieć: kiedy lepiej wyciągać wnioski z pełnego lub warunkowego uśredniania. Co powinienem to zgłosić w artykule naukowym? Co dokładnie oznacza wartość Z i związane z nią p dla sytuacji uśredniania modelu?
Aby ułatwić wizualizację moich pytań. Oto tabela wyników,
> summary(model.avg(d))# now, there are effects
Call:
model.avg(object = d)
Component model call:
gls(model = VMT ~ <8 unique rhs>, data = VMT4, method = ML, na.action =
na.fail)
Component models:
df logLik AICc delta weight
1 4 -247.10 502.52 0.00 0.34
12 5 -246.17 502.83 0.31 0.29
13 5 -246.52 503.52 1.01 0.20
123 6 -245.60 503.88 1.36 0.17
(Null) 2 -258.62 521.33 18.81 0.00
3 3 -258.38 522.95 20.43 0.00
2 3 -258.60 523.39 20.88 0.00
23 4 -258.36 525.05 22.53 0.00
Term codes:
method sex turn
1 2 3
Model-averaged coefficients:
(full average)
Estimate Std. Error Adjusted SE z value Pr(>|z|)
(Intercept) 42.63521 0.37170 0.37447 113.856 < 2e-16 ***
methodlight chamber -1.05276 0.36098 0.36440 2.889 0.00386 **
methodthermal gradient -1.80567 0.36103 0.36445 4.955 7e-07 ***
sex2 0.19023 0.29403 0.29548 0.644 0.51970
turn 0.05005 0.10083 0.10141 0.494 0.62165
(conditional average)
Estimate Std. Error Adjusted SE z value Pr(>|z|)
(Intercept) 42.6352 0.3717 0.3745 113.856 < 2e-16 ***
methodlight chamber -1.0528 0.3609 0.3643 2.890 0.00386 **
methodthermal gradient -1.8058 0.3608 0.3642 4.958 7.1e-07 ***
sex2 0.4144 0.3089 0.3119 1.328 0.18402
turn 0.1337 0.1264 0.1276 1.047 0.29492
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Relative variable importance:
method sex turn
Importance: 1.00 0.46 0.37
N containing models: 4 4 4
źródło
Myślę, że założenie dotyczące różnicy między tym, czym dokładnie są pełne i średnie warunkowe, jest błędne. Jeden to średnia, która zawiera zera (pełne), a druga nie zawiera zer (warunkowe). z pliku pomocy dla polecenia model.avg ():
Jeśli chcesz używać tylko podzbioru modeli (na przykład na podstawie delta AIC), użyj argumentu podzestawu w modelu.avg (). Nadal będziesz otrzymywać warunkowe i pełne oszacowania, dopóki niektóre z uwzględnionych modeli nie będą miały niektórych zmiennych, które mają inne.
źródło