Można to wyjaśnić, wypisując formułę modelu dla każdego z tych trzech modeli. Niech będzie obserwacją osoby i w miejscu j w każdym modelu i zdefiniuj A i j , T i j analogicznie, aby odwoływać się do zmiennych w twoim modelu.YI jjajotZAI j, TI j
glmer(counts ~ A + T, data=data, family="Poisson")
jest modelem
log( E( YI j) ) = β0+ β1ZAI j+ β2)T.I j
który jest zwykłym modelem regresji Poissona.
glmer(counts ~ (A + T|Site), data=data, family="Poisson")
jest modelem
log( E( YI j) ) = α0+ ηj 0+ ηj 1ZAI j+ ηj 2T.I j
gdzie są efektami losowymi, które są wspólne dla każdej obserwacji dokonanej przez osoby z miejsca j . Te losowe efekty mogą być dowolnie skorelowane (tzn żadnych ograniczeń są na Ď ) w określonym modelu. Aby narzucić niezależność, musisz umieścić je w różnych nawiasach, np. By to zrobił. Ten model zakłada, że log ( E ( Y i )ηjot= ( ηj 0, ηj 1, ηj 2) ∼ N( 0 , Σ )jotΣ(A-1|Site) + (T-1|Site) + (1|Site)
wynosiα0dla wszystkich witryn, ale każda strona ma losowe przesunięcie (η j 0 ) i ma losowy związek liniowy zA i j ,T i j .log( E( YI j) )α0ηj 0ZAI j, TI j
glmer(counts ~ A + T + (T|Site), data=data, family="Poisson")
jest modelem
log( E( YI j))=(θ0+γj0)+θ1Aij+(θ2+γj1)Tij
log(E(Yij))Aij,Tijθ0,θ1,θ2γj0,γj1,γj2. Oznacza to, że linia bazowa jest losowo przesuwana, a nachylenia dwóch zmiennych są losowo przesuwane, a wszyscy z tego samego miejsca dzielą to samo losowe przesunięcie.
co to jest? Czy to efekt losowy? Naprawiony efekt? Co właściwie osiąga się, umieszczając T w obu miejscach?
TSite
TSite
γj1T.log( E( YI j) ) .
Kiedy coś powinno pojawić się tylko w sekcji efektów losowych formuły modelu?
Jest to kwestia tego, co ma sens w kontekście aplikacji.
γj 0
log( E( YI j) )T.Site
Zauważ, że możesz dopasować model z efektami losowymi i bez nich, aby sprawdzić, czy tak się dzieje - nie powinieneś widzieć żadnego efektu w stałym modelu, ale znaczące losowe efekty w kolejnym modelu. Muszę cię ostrzec, że takie decyzje są często lepiej podejmowane na podstawie zrozumienia aplikacji niż na podstawie wyboru modelu.
Należy zauważyć, że
T
żaden z twoich modeli nie jest terminem dotyczącym efektów losowych, ale efektem stałym. Losowe efekty są tylko te efekty, które pojawiają się po tym,|
wlmer
wzoru!Bardziej dogłębną dyskusję na temat tego, co zawiera ta specyfikacja, można znaleźć w tym pytaniu dotyczącym lmer .
Z tych pytań twój model powinien dać (dla twojego stałego efektu
T
):Site
I jak powiedział @ mark999, to rzeczywiście jest powszechna specyfikacja. W projektach z powtarzanymi pomiarami zazwyczaj chcesz mieć losowe nachylenia i korelacje dla wszystkich czynników powtarzanych pomiarów (w obrębie badanych).
Zobacz kilka przykładów (które zwykle tu cytuję):
Judd, CM, Westfall, J., i Kenny, DA (2012). Traktowanie bodźców jako przypadkowego czynnika w psychologii społecznej: Nowe i kompleksowe rozwiązanie wszechobecnego, ale w dużej mierze ignorowanego problemu. Journal of Personality and Social Psychology , 103 (1), 54–69. doi: 10.1037 / a0028347
źródło
Coś powinno pojawić się tylko w części losowej, gdy sam nie jesteś szczególnie zainteresowany jego parametrem, ale musisz go uwzględnić, aby uniknąć zależnych danych. Na przykład, jeśli dzieci są zagnieżdżone w klasach, zwykle chcesz, aby dzieci były tylko przypadkowym efektem.
źródło
Site
będzie określana jako efekt losowy, a nieT
lubA
czy cokolwiek innego. Myśląc o tym w ten sposób,Site
wyraźnie nie można było ustalić zarówno losowego, jak i losowego, ponieważ nie można byłoby ich zidentyfikować. Możesz mieć zarówno stałe, jak i losowe współczynniki dla zmiennej, ale to inne pytanie.