Chciałbym uzyskać wartość p i wielkość efektu niezależnej zmiennej kategorialnej (z kilkoma poziomami) - to jest „ogólnie”, a nie dla każdego poziomu osobno, tak jak normalne wyjście z lme4
R. To jest jak rzecz, którą ludzie zgłaszają, uruchamiając ANOVA.
Jak mogę to zdobyć?
r
hypothesis-testing
anova
mixed-model
lme4-nlme
użytkownik3288202
źródło
źródło
anova()
funkcji można uzyskać tabelę anova z liniowymi modelami mieszanymi, tak jak w przypadku modeli liniowych.lme4
Odpowiedzi:
Obie wspomniane koncepcje (wartości p i wielkości efektu liniowych modeli mieszanych) mają nieodłączne problemy. Jeśli chodzi o wielkość efektu , cytując Douga Batesa, oryginalnego autora
lme4
,Aby uzyskać więcej informacji, możesz przejrzeć ten wątek , ten wątek i tę wiadomość . Zasadniczo problem polega na tym, że nie ma uzgodnionej metody włączania i dekompozycji wariancji z efektów losowych w modelu. Jednak stosuje się kilka standardów. Jeśli spojrzysz na Wiki skonfigurowaną dla / przez listę mailingową r-sig-mixed-models , wymienionych jest kilka podejść.
Jedna z sugerowanych metod dotyczy korelacji między wartościami dopasowanymi a obserwowanymi. Można to zaimplementować w R, jak sugeruje Jarrett Byrnes w jednym z tych wątków:
Powiedzmy na przykład, że szacujemy następujący liniowy model mieszany:
Możemy obliczyć wielkość efektu za pomocą funkcji zdefiniowanej powyżej:
W odniesieniu do wartości p jest to kwestia o wiele bardziej kontrowersyjna (przynajmniej w społeczności R /
lme4
). Zobacz dyskusje w pytaniach tutaj , tutaj i tutaj, wśród wielu innych. Odwołując się ponownie do strony Wiki, istnieje kilka podejść do testowania hipotez dotyczących efektów w liniowych modelach mieszanych. Lista od „najgorszego do najlepszego” (według autorów strony Wiki, która, jak wierzę, obejmuje Douga Batesa, a także Bena Bolkera, który dużo tu wnosi):anova
lubdrop1
), lub poprzez obliczanie profili prawdopodobieństwaZalecają metodę próbkowania Monte Carlo w łańcuchu Markowa, a także wymieniają szereg możliwości realizacji tego z pseudo i całkowicie bayesowskich metod, wymienionych poniżej.
Pseudobayesian:
mcmcsamp
(jeśli dostępne dla twojego problemu: tj. LMM z prostymi efektami losowymi - nie GLMM lub złożonymi efektami losowymi)Via
pvals.fnc
wlanguageR
pakiecie, opakowanie dlamcmcsamp
)glmmADMB
pakietu (użyjmcmc=TRUE
opcji) lubR2admb
pakietu (napisz własną definicję modelu w AD Model Builder), lub poza Rsim
funkcję zarm
pakietu (symuluje tylną tylko dla współczynników beta (efektu stałego)Podejścia w pełni bayesowskie:
MCMCglmm
paczkęglmmBUGS
(a WinBUGS owijki / R Interface)rjags
/r2jags
/R2WinBUGS
/BRugs
Dla ilustracji, aby pokazać, jak to może wyglądać, poniżej znajduje się
MCMCglmm
szacunek przy użyciuMCMCglmm
pakietu, który zobaczysz daje podobne wyniki jak w powyższym modelu i ma pewne bayesowskie wartości p:Mam nadzieję, że to trochę pomaga. Myślę, że najlepszą radą dla kogoś, kto zaczyna od liniowych modeli mieszanych i próbuje oszacować je w R, jest przeczytanie często zadawanych pytań na Wiki, skąd pochodzi większość tych informacji. Jest to doskonałe źródło wszelkiego rodzaju motywów z efektami mieszanymi od podstawowego do zaawansowanego oraz od modelowania do kreślenia.
źródło
Jeśli chodzi o obliczanie wartości istotności ( p ), Luke (2016) Oceniając istotność w liniowych modelach efektów mieszanych w R podaje, że optymalną metodą jest przybliżenie Kenwarda-Rogera lub Satterthwaite dla stopni swobody (dostępne w R z pakietami takimi jak
lmerTest
lubafex
).(podkreślenie dodane)
źródło
lmerTest
pakiecie.Korzystam z
lmerTest
paczki. To dogodnie obejmuje oszacowanie wartości p naanova()
wyjściu dla moich analiz MLM, ale nie daje wielkości efektu z powodów podanych w innych postach tutaj.źródło