Glmerde rasgele etki varyansını yorumlama


13

Verilerin binom olarak dağıtıldığı (meyve olgunlaşır ya da olmaz) tozlaşma hakkında bir makale revize ediyorum. Bu yüzden glmerbir rastgele etki (bireysel bitki) ve bir sabit etki (tedavi) ile kullandım. Bir yorumcu, bitkinin meyve seti üzerinde bir etkisi olup olmadığını bilmek istiyor - ancak glmersonuçları yorumlamakta sorun yaşıyorum .

Web'de okudum ve doğrudan karşılaştırma glmve glmermodeller ile ilgili sorunlar olabilir , bu yüzden bunu yapmıyorum. Soruyu cevaplamanın en basit yolunun, rastgele etki varyansını (1.449, aşağıda) toplam varyansla veya tedavi ile açıklanan varyansı karşılaştırmak olacağını düşündüm. Fakat bu diğer varyansları nasıl hesaplayabilirim? Aşağıdaki çıktıya dahil edilmemiş gibi görünüyorlar. Binom için kalıntı varyansların dahil edilmemesi hakkında bir şey okudum glmer- rastgele etkinin göreceli önemini nasıl yorumlayabilirim?

> summary(exclusionM_stem)
Generalized linear mixed model fit by maximum likelihood (Laplace
  Approximation) [glmerMod]
 Family: binomial  ( logit )
Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID)

     AIC      BIC   logLik deviance df.resid 
   125.9    131.5    -59.0    117.9       26 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.0793 -0.8021 -0.0603  0.6544  1.9216 

Random effects:
 Groups  Name        Variance Std.Dev.
 PlantID (Intercept) 1.449    1.204   
Number of obs: 30, groups:  PlantID, 10

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)  -0.5480     0.4623  -1.185   0.2359   
TreatmentD   -1.1838     0.3811  -3.106   0.0019 **
TreatmentN   -0.3555     0.3313  -1.073   0.2832   
---
Signif. codes:  0***0.001**0.01*0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
           (Intr) TrtmnD
TreatmentD -0.338       
TreatmentN -0.399  0.509

Yanıtlar:


12

GLMM'ler için "her bir etki ile açıklanan orantı varyansı" analogu elde etmek prensip olarak mümkün olsa da, birkaç karmaşık faktör vardır (modelin hangi seviyelerini "toplam varyans" olarak değerlendiriyorsunuz ve örnekleme varyasyonunu en düşük seviye [bu durumda binom] örnekleme dağılımı)? Nakagawa ve Schielzeth (doi: 10.1111 / j.2041-210x.2012.00261.x), ekolojide oldukça popüler hale gelen (G) LMM'ler için R ^ 2'yi (açıklanan toplam varyans oranı) hesaplamak için genel bir yaklaşım sunmaktadır; Xu ve diğ. 2003benzer bir yaklaşım benimsemek. Prensip olarak bu yaklaşım muhtemelen varyans oranı farklı terimlerle [fakat not ile açıklanabilir dikkate uzatılabilir ki muhtemelen olurdu bu şekilde kabul modelde tüm terimlerin 'Varyans oranı' değil % 100'e kadar ekleyin - elinden az ya da çok olun].

4σ1.96σ+1.96σ

Görme:

resim açıklamasını buraya girin


R2

1
Sadece bunun çılgınca ya da kötü niyetli bir soru olduğunu düşünmediğimi söylüyordum. Ancak hem hiyerarşik yapı hem de GLM benzeri modeller, bir cevap seçmeyi zorlaştıran solucan kutuları açar. Genellikle rahatsız etmiyorum, ancak insanların neden bir modeldeki uyum iyiliğini veya terimlerin göreceli önemini makul bir şekilde ölçen sayıları bulmayı denemek istediklerini anlayabiliyorum.
Ben Bolker

Bu mantıklı. Btw, w / 10 bitki, 3 tedavi & N = 30, OP'nin her ikisini de sabit etkiler olarak kullanan bir modele uyabileceğine dair ne düşünüyorsunuz? Elbette bunun doğru son model olacağını düşünmüyorum, ancak bitkiler arasında farklılık olup olmadığını test etmek ve her iki değişkeni karşılaştırmak için benzer temele koymak için potansiyel olarak izin verilebilir bir yol olarak beni vuruyor.
gung - Monica'yı eski

bana mantıklı geliyor.
Ben Bolker

Mantarın önerdiği gibi hem Tedavi hem de Bitki ile sabit etkiler içeren bir model taktım ve Bitki terimi çok yüksek p değerine sahipti (p = 0.3). Dediğiniz gibi, "tahmin edilen tesisler arası standart sapma 1,20, en büyük arıtma etkisinin büyüklüğüne (-1,18) çok yakın" göz önüne alındığında tuhaf görünüyor mu? Neden 2 sabit etkisi olan bir ANOVA'da önemsiz olarak ortaya çıksın?
jwb4


1

Yorumcunuza vereceğiniz basit yanıt "Evet" dir. Rastgele efektin varyansının 0'dan önemli ölçüde farklı olup olmadığını test etmenizi istiyorsa, birkaç seçeneğiniz var. Bununla birlikte, birçok akıllı insanın rastgele efekt varyansları 0'dan farklı olup olmadığını test etmekten rahatsız olduğunu unutmayın.

En basit olanı bir olasılık oranı testidir, ancak çoğu tarafından önerilmez. Sınırlarda test yaparken çok muhafazakarlar (yani, gidebileceğiniz kadar düşük bir 0 varyansına karşı test ediyorsunuz). Burada p değerinin gerçekte olduğundan iki kat daha fazla olduğuna dair bir kural var.

Çoğu yerde önerilen yöntem parametrik bir önyüklemedir. Sen kullanabilirsiniz bootMergelen lme4paketin. Lmer işlevinizin REML parametresini FALSE olarak ayarladığınızdan emin olun, aksi takdirde varyansınız zamanın% 0 100'ünden daha büyük olacaktır (veya buna yakın ... aslında muhtemelen 0'ın yaklaşık% 100'ünden büyük olacaktır. Yine de zaman).

Bazı ipuçları ve diğer kaynaklar:

http://glmm.wikidot.com/faq (rastgele bir efektin önemli olup olmadığını nasıl test edebilirim? başlığını bulun)

Sabit efektler için lmer () parametrik bootstrap testi

http://www.r-bloggers.com/using-bootmer-to-do-model-comparison-in-r/


Model karşılaştırması için bu açık (ve hızlı!) Kılavuz için teşekkürler. Fakat rastgele değişkenin etkisinin "büyüklüğünü" nasıl yorumlayabilirim? yani, rastgele değişkenim tarafından açıklanan varyansı sabit değişken (tedavi) tarafından açıklanan varyans ile nasıl karşılaştırırım? Sanırım bunun bootstrapped LRT testinin sonuçlarından nasıl göründüğünü görmüyorum.
jwb4

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.