Dopasowuję model efektów mieszanych z terminem spline w aplikacji, w której trend w czasie jest znany jako curvi-liniowy. Chciałbym jednak ocenić, czy trend krzywoliniowy występuje z powodu indywidualnego odchylenia od liniowości, czy jest to efekt na poziomie grupy, który sprawia, że dopasowanie na poziomie grupy wydaje się krzywoliniowo-liniowe. Podaję powtarzalny przykład nudnego zestawu danych z pakietu JM.
library(nlme)
library(JM)
data(pbc2)
fitLME1 <- lme(log(serBilir) ~ ns(year, 2), random = ~ year | id, data = pbc2)
fitLME2 <- lme(log(serBilir) ~ year, random = ~ ns(year, 2) | id, data = pbc2)
Zasadniczo chcę wiedzieć, który z nich lepiej pasuje do moich danych. Jednak porównanie anova
daje mi złowieszcze ostrzeżenie:
Model df AIC BIC logLik Test L.Ratio p-value
fitLME1 1 7 3063.364 3102.364 -1524.682
fitLME2 2 9 2882.324 2932.472 -1432.162 1 vs 2 185.0399 <.0001
Warning message:
In anova.lme(fitLME1, fitLME2) :
fitted objects with different fixed effects. REML comparisons are not meaningful.
Teraz wiem, że istnieją trudności w dokonywaniu tego rodzaju porównań metodami największego prawdopodobieństwa - ale jaka jest alternatywa?
Odpowiedzi:
Jak mówi mdewey, zainstaluj model bez metody szacowania REML. Jak mówi ostrzeżenie, porównania nie mają znaczenia, gdy masz różne struktury efektów stałych.
Kolejnym problemem jest to, że modele nie są zagnieżdżone, więc test F prawdopodobnie nie ma sensu. Możesz spojrzeć na kryteria informacyjne. Obie przysługi
fitLME2
.źródło