Używam lme4 w R, aby dopasować model mieszany
lmer(value~status+(1|experiment)))
gdzie wartość jest ciągła, status i eksperyment są czynnikami, a ja rozumiem
Linear mixed model fit by REML
Formula: value ~ status + (1 | experiment)
AIC BIC logLik deviance REMLdev
29.1 46.98 -9.548 5.911 19.1
Random effects:
Groups Name Variance Std.Dev.
experiment (Intercept) 0.065526 0.25598
Residual 0.053029 0.23028
Number of obs: 264, groups: experiment, 10
Fixed effects:
Estimate Std. Error t value
(Intercept) 2.78004 0.08448 32.91
statusD 0.20493 0.03389 6.05
statusR 0.88690 0.03583 24.76
Correlation of Fixed Effects:
(Intr) statsD
statusD -0.204
statusR -0.193 0.476
Skąd mam wiedzieć, że wpływ statusu jest znaczący? R zgłasza tylko wartości a nie wartości .p
Odpowiedzi:
Wiele informacji na ten temat można znaleźć w FAQ GLMM . Jednak w twoim konkretnym przypadku sugerowałbym użycie
ponieważ nie potrzebujesz żadnych rzeczy, które
lmer
oferuje (większa prędkość, obsługa skrzyżowanych efektów losowych, GLMM ...).lme
powinien dać ci dokładnie takie same oszacowania współczynników i wariancji, ale także obliczy dla ciebie wartości df i p (które mają sens w „klasycznym” projekcie, takim, jaki wydajesz się mieć). Możesz także rozważyć losowy termin~status|experiment
(pozwalający na zmianę efektów statusu między blokami lub równoważnie włączając interakcję między stanami). Powyższe plakaty mają również rację, że twojet
statystyki są tak duże, że twoja wartość p na pewno wyniesie <0,05, ale mogę sobie wyobrazić, że chciałbyś „prawdziwych” wartości p.źródło
lmer
równie łatwo może zgłaszać te same rodzaje wartości p, ale nie robi tego z ważnych powodów. Myślę, że to komentarz, że są tutaj jakieś „prawdziwe” wartości p, które mnie wkurzą. Można argumentować, że można znaleźć jedną możliwą granicę odcięcia i że wszelkie uzasadnione wartości graniczne zostały przekroczone. Ale nie można argumentować, że istnieje prawdziwa wartość p.summary(m1)
zamiast tego (używam tego z pakietem nlme)Możesz użyć pakietu lmerTest . Po prostu zainstaluj / załaduj, a modele lmerów zostaną przedłużone. Więc np
dałby wyniki z wartościami p. Jeśli wartości p są właściwym wskazaniem, jest nieco kwestionowane, ale jeśli chcesz je mieć, to jest sposób na ich uzyskanie.
źródło
Jeśli potrafisz poradzić sobie z porzucaniem wartości p ( i powinieneś ), możesz obliczyć współczynnik wiarygodności, który reprezentowałby wagę dowodów na wpływ statusu poprzez:
źródło
Problem polega na tym, że obliczanie wartości p dla tych modeli nie jest trywialne, patrz omówienie tutaj, więc autorzy
lme4
pakietu celowo postanowili nie uwzględniać wartości p na wyjściu. Możesz znaleźć metodę ich obliczania, ale niekoniecznie będą one prawidłowe.źródło
Zastanów się, o co pytasz. Jeśli chcesz tylko wiedzieć, czy ogólna wartość p dla efektu statusu przekracza jakąś arbitralną wartość odcięcia, na przykład 0,05, to jest to łatwe. Najpierw chcesz poznać ogólny efekt. Możesz to uzyskać od
anova
.Teraz masz wartość F. Możesz to wziąć i sprawdzić w niektórych tabelach F. Wybierz najniższy możliwy nominał. stopnie swobody. Punkt odcięcia będzie około 20. Twoje F może być większe, ale mogę się mylić. Nawet jeśli nie jest, spójrz na liczbę stopni swobody w porównaniu z konwencjonalnymi obliczeniami ANOVA tutaj, korzystając z liczby przeprowadzonych eksperymentów. Utrzymanie tej wartości w granicach około 5 dla granicy. Teraz łatwo przekazujesz go w swoim badaniu. „Prawdziwy” df dla twojego modelu będzie czymś wyższym, ponieważ modelujesz każdy punkt danych w przeciwieństwie do agregowanych wartości, które modelowałaby ANOVA.
Jeśli naprawdę chcesz dokładnej wartości p, nie ma czegoś takiego, chyba że zechcesz wypowiedzieć się na jej temat. Jeśli czytasz Pinheiro i Bates (2001, i być może kilka innych książek na ten temat ... zobacz inne linki w tych odpowiedziach) i wymyślisz argument za konkretnym df, możesz go użyć. Ale tak naprawdę nie szukasz dokładnej wartości p. Wspominam o tym, ponieważ dlatego nie powinieneś zgłaszać dokładnej wartości p, tylko że twój punkt odcięcia został przekroczony.
Naprawdę powinieneś rozważyć odpowiedź Mike'a Lawrence'a, ponieważ cały pomysł trzymania się punktu przejścia dla wartości p jako ostatecznej i najważniejszej informacji do wyciągnięcia z twoich danych jest ogólnie mylny (ale może nie być w twoim przypadku, ponieważ nie „ naprawdę mam wystarczającą ilość informacji, aby wiedzieć). Mike używa ciekawej wersji kalkulacji LR dla zwierząt domowych, ale może być trudno znaleźć na jej temat wiele dokumentacji. Jeśli spojrzysz na wybór i interpretację modelu za pomocą AIC, może ci się spodobać.
źródło
Edycja: Ta metoda nie jest już obsługiwana w nowszych wersjach Lme4. Skorzystaj z pakietu lmerTest, zgodnie z sugestią pbx101 w tej odpowiedzi .
Na liście R znajduje się post autora lme4, dlaczego wartości p nie są wyświetlane. Sugeruje zamiast tego użycie próbek MCMC, które robisz za pomocą pvals.fnc z pakietu languageR:
Przykład i szczegóły można znaleźć na stronie http://www2.hawaii.edu/~kdrager/MixedEffectsModels.pdf .
źródło
Czy chcesz wiedzieć, czy połączony efekt
status
ma znaczący wpływ navalue
? Jeśli tak, możesz użyćAnova
funkcji wcar
pakiecie (nie mylić zanova
funkcją w bazieR
).Zobacz
?Anova
po załadowaniucar
paczki.źródło
car::Anova()
uniknąć lepkich problemów związanych z obliczaniem wartości p, które łączy Michelle?anova
polecenie da ci F.Funkcja
pvals.fnc
nie jest już obsługiwana przez lme4. Korzystając z pakietu pakiet lmerTest, można użyć innej metody do obliczenia wartości p, takiej jak przybliżenia Kenwarda-Rogeraźródło
Po prostu załadowanie pakietu afex wydrukuje wartości p na wyjściu funkcji lmer z pakietu lme4 (nie musisz używać afexa, po prostu go załaduj):
Spowoduje to automatyczne dodanie kolumny wartości p do danych wyjściowych lmera (twój model) dla ustalonych efektów.
źródło