Obliczanie ICC dla regresji logistycznej efektów losowych

Korzystam z modelu regresji logistycznej w postaci:

lmer(response~1+(1|site), family=binomial, REML = FALSE)

Normalnie obliczałbym ICC na podstawie przechwytywania i wariancji resztkowych, ale podsumowanie modelu nie obejmuje wariancji resztkowej. Jak to obliczyć?

logistic lme4-nlme glmm Megan
źródło

Dlaczego obliczasz ICC?

AdamO

W celu przetestowania założenia, że zwykła regresja logistyczna nie jest poprawna dla tych danych, jako dowód na to, że powinienem używać GLMM. Znalazłem równanie: ICClogit = wariancja przechwytująca ^ 2 / (wariancja przechwytująca ^ 2 + pi ^ 2/3). Czy to wydaje się rozsądne?

Megan

Stosujesz podejście oparte na maksymalnym prawdopodobieństwie. Czy nie możesz wykonać testu współczynnika wiarygodności z 1 stopniem swobody w porównaniu z modelem efektów stałych?

AdamO

@Megan: Masz rację. W praktyce Zeger i in. (1988) sugeruje działa lepiej niż jako rezydualna wariancja dla modeli regresji logistycznej, chociaż oba są bardzo zbliżone. Zobacz SL Zeger, KY Liang i PS Albert. Modele danych podłużnych: uogólnione podejście do równania szacunkowego. Biometria, 44: 1049/60 1988.

(15 / 16)^{2} π^{2} / 3

$(15/16)^2\pi^2/3$

π^{2} / 3

$\pi^2/3$

Randel

@Megan: Jest intercept_variance / (intercept_variance + pi^2/3)- więc nie poprawiaj wariancji.

Wolfgang,

Odpowiedzi:

Można użyć icc()-function z sjstats-pakiecie .

W pliku pomocy ?sjstats::iccznajduje się odniesienie do formuły dla modeli mieszanych z odpowiedzią binarną:

Wu S, Crespi CM, Wong WK. 2012. Porównanie metod szacowania wewnątrzklasowego współczynnika korelacji dla odpowiedzi binarnych w randomizowanych próbach klastrów profilaktyki raka. Contempory Clinical Trials 33: 869-880 (doi: 10.1016 / j.cct.2012.05.004)

Resztkowe odchylenie w regresji logistycznej jest ustalone na (pi ^ 2) / 3.

Daniel
źródło

Czy masz odniesienie do tej formuły?

Jeanine

Chodzi ci o mnie? Czy twój komentarz nie był początkowo na PO?

Daniel

@ Jeanine- Cytowanie ICC: Moineddin, R., Matheson, FI, i Glazier, RH (2007). Badanie symulacyjne wielkości próby dla wielopoziomowych modeli regresji logistycznej. BMC Medical Research Methodology, 7, 34. doi.org/10.1186/1471-2288-7-34

narzeka