Doğrusal karışık etki modelleri için yorumlanması kolay, uyum iyiliği ölçütleri nelerdir?

Şu anda lme4 R paketini kullanıyorum .

Rasgele efektli doğrusal karışık efekt modellerini kullanıyorum:

library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect + 
            # random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects + 
            # random effects

Modelleri karşılaştırmak için, anovaişlevi kullanıyorum ve en düşük AIC modeline göre AIC'deki farklılıklara bakıyorum:

anova(mod1, mod2, mod3)

Yukarıdaki modeller karşılaştırmak için iyidir.

Bununla birlikte, her model için uygunluk önlemlerinin iyiliğini yorumlamak için basit bir yola ihtiyacım var. Bu önlemlerle ilgili tecrübesi olan var mı? Bazı araştırmalar yaptım ve karışık efekt modellerinin sabit etkileri için R kare hakkında dergi yazıları var:

• Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA ve Muller, KE (2010). Gerçek insanlar için gerçek uzunlamasına veri analizi: Yeterince iyi karışık bir model oluşturmak. Tıpta İstatistik, 29 (4), 504-520. doi: 10.1002 / sim.3775
• Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF ve Schabenberger, O. (2008). Doğrusal karışık modelde sabit etkiler için bir R2 istatistiği. Tıpta İstatistik, 27 (29), 6137-6157. doi: 10.1002 / sim.3429

Bununla birlikte, yukarıdaki belgelerde önerilenler gibi önlemlerin kullanılmasını çevreleyen bir eleştiri olduğu görülüyor.

Birisi lütfen yorumlaması kolay, modellerim için geçerli olabilecek uygun tedbirlerin iyiliğini önerebilir mi?

Doğrusal karışık modeller için uyum ölçütünün iyiliğini yorumlaması kolay bir şey yok :)

Rastgele efekt uyumu (mod1) ICCve ICC2(rastgele etkiler tarafından hesaplanan varyans ve artık varyans arasındaki oran ) ile ölçülebilir . psikometrik R paketi, lme nesnesi oluşturmak için bunları ayıklama işlevini içerir.

R2Sabit etkiyi değerlendirmek mümkündür (mod2, mod3), ancak bu zor olabilir: İki model benzer bir R2 gösterdiğinde, birinin daha "doğru" olduğu, ancak sabit faktörü tarafından maskelendiği olabilir rastgele etkiye daha büyük bir varyans bileşeni çıkarılması. Diğer taraftan, en yüksek dereceli modelin daha büyük bir R2'sini yorumlamak kolaydır (örn. Mod3). Baayen'in karma modeller hakkındaki bölümünde , bununla ilgili hoş bir tartışma var. Ayrıca, öğretici çok açık.

Muhtemel bir çözüm, her birini variance componentbağımsız olarak ele almak ve sonra modelleri karşılaştırmak için kullanmaktır.