Rasgele etkiler lojistik regresyon için ICC hesaplanıyor

Formda bir lojistik regresyon modeli çalıştırıyorum:

lmer(response~1+(1|site), family=binomial, REML = FALSE)

Normalde ICC'yi kesişme ve artık varyanslardan hesaplarım, ancak modelin özeti artık varyansı içermez. Bunu nasıl hesaplayabilirim?

logistic lme4-nlme glmm

— Megan
kaynak

Neden ICC'yi hesaplıyorsunuz?

— AdamO

GLMM kullanmak zorunda olduğumun kanıtı olarak, sıradan lojistik regresyonun bu veriler için geçerli olmadığı varsayımını test etmek için. Bir denklem buldum: ICClogit = kesişme varyansı ^ 2 / (kesişme varyansı ^ 2 + pi ^ 2/3). Bu makul görünüyor mu?

— Megan

Tam maksimum olabilirlik yaklaşımını kullanıyorsunuz. Sabit etkiler modeline karşı 1 serbestlik derecesi ile olabilirlik oran testi yapamaz mısınız?

— AdamO

(15 / 16)^{2} π^{2} / 3

$(15/16)^2\pi^2/3$

π^{2} / 3

$\pi^2/3$

@Megan: Öyle intercept_variance / (intercept_variance + pi^2/3)- bu yüzden varyansın karesini almayın .

— Wolfgang

Sen kullanabilirsiniz icc()gelen -Fonksiyon sjstats-pakette .

Yardım dosyasında ?sjstats::iccikili yanıtı olan karışık modeller için formüle bir başvuru bulabilirsiniz:

Wu S, Crespi CM, Wong WK. 2012. Kanser önleme kümelenmesi randomize çalışmalarında ikili yanıtlar için sınıf içi korelasyon katsayısını tahmin etme yöntemlerinin karşılaştırılması. Contempory Klinik Araştırmalar 33: 869-880 (doi: 10.1016 / j.cct.2012.05.004)

Lojistik regresyondaki kalıntı sapma sabittir (pi ^ 2) / 3.

— Daniel
kaynak

Bu formül için referansınız var mı?

— Jeanine

Beni mi kastediyorsun? Yorumunuz başlangıçta OP ilanında değil miydi?

— Daniel

@ Jeanine- ICC alıntısı: Moineddin, R., Matheson, FI ve Glazier, RH (2007). Çok seviyeli lojistik regresyon modelleri için örneklem büyüklüğü simülasyon çalışması. BMC Tıbbi Araştırma Metodolojisi, 7, 34. doi.org/10.1186/1471-2288-7-34

— Homurdanıyor