İki farklı kaynak popülasyondan gelen farklı aileleri yetiştirdiğim bir deney yaptım. Her aileye iki tedaviden biri verildi. Deneyden sonra her bireyin çeşitli özelliklerini ölçtüm. Tedavinin veya kaynağın etkisinin yanı sıra etkileşimlerini de test etmek için, rastgele faktör olarak ailesi ile doğrusal bir karma etki modeli kullandım, yani
lme(fixed=Trait~Treatment*Source,random=~1|Family,method="ML")Şimdiye kadar çok iyi, Şimdi göreli varyans bileşenlerini, yani tedavinin veya kaynağın yanı sıra etkileşim tarafından açıklanan varyasyon yüzdesini hesaplamalıyım.
Rastgele bir etki olmadan, her faktörün açıkladığı varyansı hesaplamak için karelerin toplamlarını (SS) kolayca kullanabilirim. Ancak karışık bir model için (ML tahmini ile), SS yoktur, bu nedenle, varyansı tahmin etmek için Tedavi ve Kaynağı rastgele etkiler olarak da kullanabileceğimi düşündüm, yani
lme(fixed=Trait~1,random=~(Treatment*Source)|Family, method="REML")Ancak, bazı durumlarda, lme birleşmez, bu nedenle lme4 paketinden lmer kullandım:
lmer(Trait~1+(Treatment*Source|Family),data=DATA)Özet işlevini kullanarak modeldeki varyansları ayıkladığımda:
model<-lmer(Trait~1+(Treatment*Source|Family),data=regrexpdat)
results<-VarCorr(model)
variances<-results[,3]
VarCorr işlevi ile aynı değerleri alıyorum. Toplamı toplam varyasyon olarak alarak varyasyonun gerçek yüzdesini hesaplamak için bu değerleri kullanırım.
Mücadele ettiğim yer, ilk lme modelinden (tedavi ve kaynak sabit etkilerle) ve varyans bileşenlerini tahmin etmek için rastgele modelden (tedavi ve rastgele etki olarak kaynak ile) sonuçların yorumlanmasıdır. Çoğu durumda, her bir faktör tarafından açıklanan varyans yüzdesinin sabit etkinin önemine karşılık gelmediğini görüyorum.
Örneğin, HD özelliği için, Başlangıç lme, etkileşim için bir eğilimin yanı sıra Tedavi için de bir öneme sahiptir. Geriye dönük bir prosedür kullanarak, Tedavinin önemli bir eğilime yakın olduğunu görüyorum. Ancak, varyans bileşenlerini tahmin ederken, Kaynak'ın toplam varyansın% 26.7'sine kadar olan en yüksek varyansa sahip olduğunu düşünüyorum.
Lme:
anova(lme(fixed=HD~as.factor(Treatment)*as.factor(Source),random=~1|as.factor(Family),method="ML",data=test),type="m")
numDF denDF F-value p-value
(Intercept) 1 426 0.044523 0.8330
as.factor(Treatment) 1 426 5.935189 0.0153
as.factor(Source) 1 11 0.042662 0.8401
as.factor(Treatment):as.factor(Source) 1 426 3.754112 0.0533
Ve lmer:
summary(lmer(HD~1+(as.factor(Treatment)*as.factor(Source)|Family),data=regrexpdat))
Linear mixed model fit by REML
Formula: HD ~ 1 + (as.factor(Treatment) * as.factor(Source) | Family)
Data: regrexpdat
AIC BIC logLik deviance REMLdev
-103.5 -54.43 63.75 -132.5 -127.5
Random effects:
Groups Name Variance Std.Dev. Corr
Family (Intercept) 0.0113276 0.106431
as.factor(Treatment) 0.0063710 0.079819 0.405
as.factor(Source) 0.0235294 0.153393 -0.134 -0.157
as.factor(Treatment)L:as.factor(Source) 0.0076353 0.087380 -0.578 -0.589 -0.585
Residual 0.0394610 0.198648
Number of obs: 441, groups: Family, 13
Fixed effects:
Estimate Std. Error t value
(Intercept) -0.02740 0.03237 -0.846
Dolayısıyla sorum şu, yaptığım doğru mu? Veya her bir faktör (yani Tedavi, Kaynak ve etkileşimleri) tarafından açıklanan varyans miktarını tahmin etmek için başka bir yol kullanmalı mıyım. Örneğin, etki boyutları daha uygun bir yol olabilir mi?