Bir lme4 karma modelinde etkinin p-değeri (önemini kontrol et) nasıl elde edilir?

Karışık modele uyması için lme4 in R kullanıyorum

lmer(value~status+(1|experiment)))

değerin sürekli olduğu yerde, durum ve deney faktördür ve ben anlıyorum

Linear mixed model fit by REML 
Formula: value ~ status + (1 | experiment) 
  AIC   BIC logLik deviance REMLdev
 29.1 46.98 -9.548    5.911    19.1
Random effects:
 Groups     Name        Variance Std.Dev.
 experiment (Intercept) 0.065526 0.25598 
 Residual               0.053029 0.23028 
Number of obs: 264, groups: experiment, 10

Fixed effects:
            Estimate Std. Error t value
(Intercept)  2.78004    0.08448   32.91
statusD      0.20493    0.03389    6.05
statusR      0.88690    0.03583   24.76

Correlation of Fixed Effects:
        (Intr) statsD
statusD -0.204       
statusR -0.193  0.476

Durumun etkisinin önemli olduğunu nasıl bilebilirim? R sadece -değerlerini bildirir, - değerlerini bildirmez .$t$$p$

GLMM SSS’sinde bu konuda birçok bilgi var . Ancak, kendi durumunuzda kullanmanızı öneririm

library(nlme)
m1 <- lme(value~status,random=~1|experiment,data=mydata)
anova(m1)

çünkü size lmersundukları hiçbir şeye ihtiyacınız yok (daha yüksek hız, çapraz rastgele efektlerin kullanılması, GLMM'ler ...). lmeSize tam olarak aynı katsayı ve varyans tahminleri vermelidir ama aynı zamanda (sizin için df ve p-değerleri hesaplamak olacak yapmak sen var görünüyor gibi bir "klasik" tasarım mantıklı). Ayrıca rasgele terimi de düşünebilirsiniz ~status|experiment(durum efektlerinin bloklar arasında değişmesine veya eşdeğerde bir deneme-deneme etkileşimi dahil). Yukarıdaki posterler de tistatistikleriniz o kadar büyük ki, p-değeriniz kesinlikle <0.05 olacak, ancak “gerçek” p-değerleri istediğinizi düşünebilirim.

LmerTest paketini kullanabilirsiniz . Siz sadece yükleyin / yükleyin ve mercek modelleri uzuyor. Yani

library(lmerTest)
lmm <- lmer(value~status+(1|experiment)))
summary(lmm)
anova(lmm)

size p-değerleri ile sonuç verirdi. Eğer p-değerleri doğru ise işaret biraz tartışmalıdır, ancak bunları almak istiyorsanız, bu onları almanın yoludur.

P-değerlerini bırakmayı kaldırabilirseniz ( ve yapmalısınız ), durumun etkisi için kanıt ağırlığını temsil edecek bir olasılık oranı hesaplayabilirsiniz:

#compute a model where the effect of status is estimated
unrestricted_fit = lmer(
    formula = value ~ (1|experiment) + status
    , REML = F #because we want to compare models on likelihood
)
#next, compute a model where the effect of status is not estimated
restricted_fit = lmer(
    formula = value ~ (1|experiment)
    , REML = F #because we want to compare models on likelihood
)
#compute the AIC-corrected log-base-2 likelihood ratio (a.k.a. "bits" of evidence)
(AIC(restricted_fit)-AIC(unrestricted_fit))*log2(exp(1))

Mesele şu ki, bu modeller için p-değerlerinin hesaplanması önemsiz değildir, buradaki tartışmaya bakınız, böylece lme4paketin yazarları çıktıya p-değerleri içermemeyi tercih ettiler. Bunları hesaplamanın bir yöntemini bulabilirsiniz, ancak bunların doğru olması gerekmez.

Ne sorduğunu düşün. Durumun etkisinin toplam p değerinin 0.05 gibi bir çeşit keyfi kesme değerinden geçtiğini bilmek istiyorsanız, o zaman bu kolaydır. İlk olarak, genel etkiyi bulmak istersiniz. Bunu alabilirsin anova.

m <- lmer(...) #just run your lmer command but save the model
anova(m)

Şimdi bir F değerine sahipsiniz . Bunu alabilir ve bazı F tablolarına bakabilirsiniz . Sadece mümkün olan en düşük olanı seçin. özgürlük derecesi. Kesinti 20 civarında olacak. Sizin F'niz bundan daha büyük olabilir ama yanılıyor olabilirim. Olmasa bile, burada yaptığınız deney sayısını kullanarak konvansiyonel bir ANOVA hesabından serbestlik derecelerine bakın. Bu değeri bir kesme için yaklaşık 5'e düşürürsünüz. Şimdi çalışmana kolayca geçiyorsun. Modeliniz için 'true' df bundan daha yüksek bir şey olacaktır, çünkü her veri noktasını bir ANOVA'nın modelleyeceği toplam değerlerin aksine modelleniyorsunuz.

Eğer gerçekten tam bir p değeri istiyorsanız, bunun hakkında teorik bir açıklama yapmaya istekli olmadığınız sürece böyle bir şey yoktur. Pinheiro & Bates (2001 ve belki de konuyla ilgili bazı kitaplar) okursanız ... bu cevaplardaki diğer bağlantılara bakın) ve belirli bir df için bir argümanla ortaya çıkarsanız, o zaman bunu kullanabilirsiniz. Ama zaten zaten kesin bir p değeri aramıyorsunuz. Bundan bahsediyorum çünkü bu nedenle kesin bir p-değeri bildirmemeniz gerekir, yalnızca sizin onayınız geçilir.

Mike Lawrence'ın cevabını gerçekten göz önünde bulundurmalısınız çünkü p-değerleri için sadece bir geçiş noktası ile yapıştırma fikri, verilerinizden çıkarmanın en son ve en önemli bilgileri olarak genellikle yanlış yönlendirilmiştir (ancak sizin durumunuzda olmayabilir. Gerçekten bilmek için yeterli bilgiye sahip değilsiniz). Mike, ilginç bir LR hesaplaması sürümü kullanıyor, ancak üzerinde çok fazla dokümantasyon bulmak zor olabilir. AIC kullanarak model seçimine ve yorumlamaya bakarsanız, beğenebilirsiniz.

Düzenleme: Bu yöntem artık lme4'ün daha yeni sürümlerinde desteklenmemektedir. LmerTest paketini bu cevapta pbx101 tarafından önerildiği şekilde kullanın .

R listesinde lme4'ün yazarı tarafından p değerlerinin neden gösterilmediğine dair bir yazı var. Bunun yerine MCMC örneklerini kullanmanızı önerir, bunun yerine pvals.fnc'yi languageR paketinden kullanırsınız:

library("lme4")
library("languageR")
model=lmer(...)
pvals.fnc(model)

Bkz http://www2.hawaii.edu/~kdrager/MixedEffectsModels.pdf bir örnek ve detaylar için.

Kombine etkisinin üzerinde statusönemli bir etkisinin olup olmadığını bilmek ister misiniz value? Eğer öyleyse, paketin içindeki Anovaişlevi kullanabilirsiniz car( anovatabandaki işlevle karıştırılmamalıdır R).

dat <- data.frame(
  experiment = sample(c("A","B","C","D"), 264, replace=TRUE), 
  status = sample(c("D","R","A"), 264, replace=TRUE), 
  value = runif(264)   
)
require(lme4)
(fm <- lmer(value~status+(1|experiment), data=dat))

require(car)
Anova(fm)

Paketi ?Anovayükledikten sonra bir göz atın car.

İşlev pvals.fncartık lme4 tarafından desteklenmiyor. LmerTest paketini kullanarak, Kenward-Roger'ın yaklaşımları gibi p-değerini hesaplamak için başka bir yöntem kullanmak mümkündür.

model=lmer(value~status+1|experiment)
anova(model, ddf="Kenward-Roger")

Yalnızca afex paketini yüklemek, lmer işlevinin çıktısındaki p-değerlerini lme4 paketinden basar (afex kullanmanız gerekmez; sadece yükleyin):

library(lme4)  #for mixed model
library(afex)  #for p-values

Bu, sabit etkiler için lmer çıkışına otomatik olarak bir p değeri sütunu ekleyecektir.