Rasgele bir etkinin önemli olup olmadığını nasıl test edebilirim?

Ne zaman rastgele bir efekt kullanılacağını ve ne zaman gereksiz olduğunu anlamaya çalışıyorum. Yaptığım kural, benim yaptığım 4 veya daha fazla grubun / şahsın varsa (15 kişisel geyik). Bu geyiklerin bazıları toplam 29 deneme için 2 veya 3 kez denenmiştir. Riskli manzaralar altında olmadıklarından farklı davranıp davranmadıklarını bilmek istiyorum. Böylece, bireyi rastgele etki olarak ayarlayacağımı düşündüm. Ancak şimdi bana bireyi rastgele bir etki olarak dahil etme gereği olmadığı söyleniyor çünkü cevaplarında çok fazla değişiklik yok. Çözemediğim şey, bireyi rastgele bir etki olarak ayarlarken gerçekten hesaba katılmış bir şey olup olmadığını test etmektir. Belki de ilk soru şudur: Bireyin iyi bir açıklayıcı değişken olup olmadığını ve bunun sabit bir etki - qq plotları olup olmadığını anlamak için hangi testi / teşhisi yapabilirim? histogramlar? scatter arazileri? Ve bu kalıplarda ne aramalıyım.

Modeli, bireyle rastgele bir etki olarak ve olmadan koştum, ancak sonra http://glmm.wikidot.com/faq dedikleri yerde okudum :

lmer modellerini karşılık gelen lm uyarlarıyla veya glmer / glm ile karşılaştırmayın; log olasılıkları orantılı değildir (yani, farklı katkı terimleri içerirler)

Ve burada, bunun rasgele etkisi olan veya olmayan bir modelle kıyaslayamayacağınız anlamına geldiğini düşünüyorum. Ama yine de aralarında ne karşılaştırmalıyım gerçekten bilemem.

Rastgele etkisi olan modelimde, RE'nin ne tür bir kanıt veya önemi olduğunu görmek için çıktıya bakmaya çalışıyordum.

lmer(Velocity ~ D.CPC.min + FD.CPC + (1|ID), REML = FALSE, family = gaussian, data = tv)

Linear mixed model fit by maximum likelihood 
Formula: Velocity ~ D.CPC.min + FD.CPC + (1 | ID) 
   Data: tv 
    AIC    BIC logLik deviance REMLdev
 -13.92 -7.087  11.96   -23.92   15.39
Random effects:
 Groups   Name        Variance Std.Dev.
 ID       (Intercept) 0.00000  0.00000 
 Residual             0.02566  0.16019 
Number of obs: 29, groups: ID, 15

Fixed effects:
              Estimate Std. Error t value
(Intercept)  3.287e-01  5.070e-02   6.483
D.CPC.min   -1.539e-03  3.546e-04  -4.341
FD.CPC       1.153e-04  1.789e-05   6.446

Correlation of Fixed Effects:
          (Intr) D.CPC.
D.CPC.min -0.010       
FD.CPC    -0.724 -0.437

Bireysel kimlikten sapmam ve SD'nin rastgele etki = 0 olduğunu görüyorsunuz. Bu nasıl mümkün olabilir? 0 ne anlama geliyor? Bu doğru mu? Öyleyse "rastgele etki olarak kimliği kullanarak hiçbir değişiklik olmadığı için gereksizdir" dedi arkadaşım doğru mu? Öyleyse bunu sabit bir etki olarak kullanır mıyım? Fakat çok az çeşitlilik olduğu gerçeği, bize zaten fazla bir şey anlatmayacağı anlamına gelmez mi?

Tahmin, IDvaryansı = 0, grup arası değişkenlik seviyesinin, modele rasgele etkileri dahil etmeyi garanti etmek için yeterli olmadığını; yani. Modelin dejenere.

Kendinizi doğru tanımladığınız gibi: büyük olasılıkla, evet; IDrastgele bir etki olarak gereksizdir. Bu varsayımı test etmek için akla ilk gelen şeyler:

1. REML = FAIC'yi (veya genel olarak en sevdiğiniz IC'yi) rastgele etkilere sahip olan ve olmayan bir model arasında karşılaştırabilir ( her zaman kullanarak ) ve bunun nasıl gittiğini görebilirsiniz.
2. Sen bakardım anova()iki modelin çıkışı.
3. Orijinal modeliniz tarafından tanımlanan arka dağılımı kullanarak bir parametrik önyükleme yapabilirsiniz.

Seçimler 1 & 2'nin bir sorunu olduğunu unutmayın: Parametre alanının sınırlarında olan bir şeyi kontrol ediyorsunuz, bu yüzden teknik olarak sağlam değiller. Bunları yanlış anlayacağınızı ve pek çok insanın bunları kullandığını sanmıyorum (örneğin, lme4'ün geliştiricilerinden biri olan Douglas Bates kitabında kullanıyor, ancak test edilen parametre değerleri hakkında açıkça belirtilmiş olanları söylüyor) olası değerler kümesinin sınırında). Seçim 3, en sıkıcı olan 3'tür ancak gerçekte neler olup bittiği hakkında size en iyi fikri verir. Bazı insanlar da parametrik olmayan bootstrap kullanmak için caziptir, ancak bence sizden başlamak için parametrik varsayımlar yaptığınız gerçeği göz önüne alındığında bunları da kullanabilirsiniz.

Önereceğim yaklaşımın makul olduğundan emin değilim, bu yüzden bu konu hakkında daha fazla şey bilenler yanılıyorsam beni düzeltir.

Teklifim, verilerinizde sabit değeri 1 olan ek bir sütun oluşturmaktır:

IDconst <- factor(rep(1, each = length(tv$Velocity)))

Ardından, bu sütunu rastgele efektiniz olarak kullanan bir model oluşturabilirsiniz:

fm1 <- lmer(Velocity ~ D.CPC.min + FD.CPC + (1|IDconst), 
  REML = FALSE, family = gaussian, data = tv)

Bu noktada, orijinal modelinizi rastgele efektle ID(diyelim fm0), tüm verileriniz için aynı IDolduğundan hesaba katmayan yeni modelle karşılaştırabilirsiniz IDconst.

anova(fm0,fm1)

Güncelleştirme

user11852 bir örnek istiyordu, çünkü kendi görüşüne göre yukarıdaki yaklaşım bile yürütülmez. Aksine, yaklaşımın işe yaradığını gösterebilirim (en azından lme4_0.999999-0şu anda kullandığımla).

set.seed(101)
dataset <- expand.grid(id = factor(seq_len(10)), fac1 = factor(c("A", "B"),
  levels = c("A", "B")), trial = seq_len(10))
dataset$value <- rnorm(nrow(dataset), sd = 0.5) +
      with(dataset, rnorm(length(levels(id)), sd = 0.5)[id] +
      ifelse(fac1 == "B", 1.0, 0)) + rnorm(1,.5)
    dataset$idconst <- factor(rep(1, each = length(dataset$value)))

library(lme4)
fm0 <- lmer(value~fac1+(1|id), data = dataset)
fm1 <- lmer(value~fac1+(1|idconst), data = dataset)

anova(fm1,fm0)

Çıktı:

  Data: dataset
  Models:
  fm1: value ~ fac1 + (1 | idconst)
  fm0: value ~ fac1 + (1 | id)

      Df    AIC    BIC  logLik  Chisq Chi Df Pr(>Chisq)
  fm1  4 370.72 383.92 -181.36                      
  fm0  4 309.79 322.98 -150.89 60.936      0  < 2.2e-16 ***

Bu son teste göre, fm0BIC'nin yanı sıra en düşük AIC'ye sahip olduğu için rastgele etkide kalmalıyız.

Güncelleme 2

Bu arada, aynı yaklaşım NW Galwey tarafından “Karışık Modellemeye Giriş: Regresyonun Ötesinde ve Varyans Analizi” nde 213-214.

Daha 'ilk' soruyu cevaplamak istiyorum.

Bazı değişkenler nedeniyle bağımlı değişkenler arasında çeşitlilik gösteren bir tür heterojenlik olduğundan şüpheleniyorsanız, devam etmeli ve scatter ve box plot'larını kullanarak verileri çizmelisiniz. Kontrol edilmesi gereken bazı genel desenler, bu listeyi web'deki çeşitli kaynaklardan aşağıya koyuyorum.

Ek olarak, sabit değişken olup olmadığını görmek için bağımlı değişkeninizi faktör / tedavi gruplarına göre çizin. Değilse, rastgele etkiler veya ağırlıklı gerileme keşfetmek isteyebilirsiniz. Örneğin Aşağıdaki tablo, tedavi gruplarımdaki huni şeklindeki bir varyansa bir örnektir. Bu yüzden rastgele etkilere gitmeyi ve eğim ve kavramalar üzerindeki etkilerini test etmeyi seçiyorum.

Buradan, yukarıdaki cevaplar ana sorunuza cevap veriyor. Heteroskedastisiteyi kontrol eden testler de var, bunlardan biri burada - https://dergipark.org.tr/download/article-file/94971 . Ancak grup düzeyinde heteroskedasticity tespit etmek için herhangi bir test olup olmadığından emin değilim.