Karışık etkiler modelinde açıklanan varyans oranı

Bunun daha önce sorulup sorulmadığını bilmiyorum, ama bunun hakkında hiçbir şey bulamadım. Benim sorum, herhangi birinin karışık etkiler modelinde sabit ve rastgele faktörlerin her biri tarafından açıklanan varyans oranını nasıl elde edeceğini öğrenmek için iyi bir referans sağlayıp sağlayamayacağıdır.

Bazı referanslar sağlayabilirim:

Xu, R. (2003). Doğrusal karışık efekt modellerinde açıklanan varyasyonun ölçülmesi. Tıpta İstatistikler , 22 , 3527-3541. DOI: 10.1002 / sim.1572

Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF ve Schabenberger, O. (2008). Bir$R^2$

Hössjer, O. (2008). Karışık regresyon modelleri için belirleme katsayısı. İstatistiksel Planlama ve Çıkarım Dergisi , 138 , 3022-3038. DOI: 10.1016 / j.jspi.2007.11.010

$R^2$

Mutlu okumalar!

MuMInR$^2$$^1$

#load packages
library(lme4)
library(MuMIn)

#Fit Model
m <- lmer(mpg ~ gear + disp + (1|cyl), data = mtcars)

#Determine R2:
r.squaredGLMM(m) 

       R2m       R2c 
 0.5476160 0.7150239  

Fonksiyon çıkışı r.squaredGLMM:

• R2m : sabit etkilerle ilişkili marjinal R kare değeri

• R2c sabit etkiler artı rasgele efektlerle ilişkili koşullu R2 değeri.

Not: Bağlantılı blog gönderisine yapılan bir yorum, Jon Lefcheck ( paketteki sem.model.fitsişlevi kullanarak) tarafından geliştirilen alternatif bir Nakagawa ve Schielzeth ilham yaklaşımının piecewiseSEMaynı sonuçları verdiğini göstermektedir. [Yani seçenekleriniz var: p].

• Bu ikinci işlevi test etmedim, ancak paketteki r.squaredGLMM()işlevi test ettim MuMInve böylece bugün hala işlevsel olduğunu kanıtlayabilirim (2018).

• $^2$

^{1: Nakagawa, S. ve Schielzeth, H. 2013. Genelleştirilmiş doğrusal karışık etkiler modellerinden R2 elde etmek için genel ve basit bir yöntem. Ekoloji ve Evrim Yöntemleri 4 (2): 133-142.}

^{2: Johnson, PCD 2014 Nakagawa ve Schielzeth'in R2GLMM'sinin rastgele eğimli modellere genişletilmesi. Ekoloji ve Evrim Yöntemleri 5: 44–946.}