Kończę analizę dużej grupy danych. Chciałbym wziąć model liniowy zastosowany w pierwszej części pracy i ponownie go dopasować za pomocą liniowego modelu mieszanego (LME). LME byłby bardzo podobny, z tym wyjątkiem, że jedna ze zmiennych zastosowanych w modelu byłaby zastosowana jako efekt losowy. Te dane pochodzą z wielu obserwacji (> 1000) w małej grupie podmiotów (~ 10) i wiem, że modelowanie efektu podmiotu lepiej jest wykonać jako efekt losowy (jest to zmienna, którą chcę przesunąć). Kod R wyglądałby następująco:
my_modelB <- lm(formula = A ~ B + C + D)
lme_model <- lme(fixed=A ~ B + C, random=~1|D, data=my_data, method='REML')
Wszystko działa dobrze, a wyniki są bardzo podobne. Byłoby miło, gdybym mógł użyć czegoś takiego jak RLRsim lub AIC / BIC, aby porównać te dwa modele i zdecydować, który jest najbardziej odpowiedni. Moi koledzy nie chcą zgłaszać LME, ponieważ nie ma łatwo dostępnego sposobu wyboru, który jest „lepszy”, mimo że uważam, że LME jest bardziej odpowiednim modelem. Jakieś sugestie?
lrt.sim
aby upewnić się, że nie wszystkie są zerami. W takim przypadku najbardziej prawdopodobnym winowajcą byłoby to, że nie maszlme4
zainstalowanego pakietu .EDYTOWAĆ
Aby uniknąć nieporozumień: Wspomniany powyżej test jest czasem wykorzystywany do podjęcia decyzji, czy efekt losowy jest znaczący ... ale nie do podjęcia decyzji, czy należy go przekształcić w efekt stały.
źródło