Giải thích phương sai hiệu ứng ngẫu nhiên trong glmer


12

Tôi đang xem lại một bài báo về sự thụ phấn, trong đó dữ liệu được phân phối nhị thức (quả chín hoặc không). Vì vậy, tôi đã sử dụng glmervới một hiệu ứng ngẫu nhiên (cây riêng lẻ) và một hiệu ứng cố định (điều trị). Một nhà phê bình muốn biết liệu thực vật có ảnh hưởng đến bộ quả hay không - nhưng tôi gặp khó khăn trong việc diễn giải glmerkết quả.

Tôi đã đọc trên web và dường như có thể có vấn đề với việc so sánh trực tiếp glmglmermô hình, vì vậy tôi không làm điều đó. Tôi đã tìm ra cách đơn giản nhất để trả lời câu hỏi sẽ là so sánh phương sai hiệu ứng ngẫu nhiên (1.449, bên dưới) với tổng phương sai hoặc phương sai được giải thích bằng cách xử lý. Nhưng làm thế nào để tôi tính toán các phương sai khác? Chúng dường như không được bao gồm trong đầu ra dưới đây. Tôi đã đọc một cái gì đó về phương sai dư không được đưa vào nhị thức glmer- làm thế nào để tôi giải thích tầm quan trọng tương đối của hiệu ứng ngẫu nhiên?

> summary(exclusionM_stem)
Generalized linear mixed model fit by maximum likelihood (Laplace
  Approximation) [glmerMod]
 Family: binomial  ( logit )
Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID)

     AIC      BIC   logLik deviance df.resid 
   125.9    131.5    -59.0    117.9       26 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.0793 -0.8021 -0.0603  0.6544  1.9216 

Random effects:
 Groups  Name        Variance Std.Dev.
 PlantID (Intercept) 1.449    1.204   
Number of obs: 30, groups:  PlantID, 10

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)  -0.5480     0.4623  -1.185   0.2359   
TreatmentD   -1.1838     0.3811  -3.106   0.0019 **
TreatmentN   -0.3555     0.3313  -1.073   0.2832   
---
Signif. codes:  0***0.001**0.01*0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
           (Intr) TrtmnD
TreatmentD -0.338       
TreatmentN -0.399  0.509

Câu trả lời:


11

Mặc dù nhận được một sự tương tự về "phương sai tỷ lệ được giải thích bởi từng hiệu ứng" về nguyên tắc có thể áp dụng cho GLMM, có một số yếu tố phức tạp (mức độ nào của mô hình mà bạn xem là "tổng phương sai" và cách bạn định lượng biến thể lấy mẫu do mức thấp nhất [Binomial trong trường hợp này] phân phối lấy mẫu)? Nakagawa và Schielzeth (doi: 10.1111 / j.2041-210x.2012.00261.x) trình bày một cách tiếp cận chung để tính R ^ 2 (tỷ lệ của tổng phương sai được giải thích) cho (G) LMM đã trở nên khá phổ biến trong sinh thái học; Xu et al 2003có một cách tiếp cận tương tự. Về nguyên tắc, cách tiếp cận này có thể được mở rộng để xem xét tỷ lệ phương sai được giải thích bằng các thuật ngữ khác nhau [nhưng lưu ý rằng 'tỷ lệ phương sai' của tất cả các thuật ngữ trong mô hình được xem xét theo cách này có thể sẽ không thêm tới 100% - nó có thể hoặc nhiều hơn hoặc ít hơn].

4σ-1,96σ+1,96σ

Trực quan:

nhập mô tả hình ảnh ở đây


R2

1
Tôi chỉ nói rằng tôi không nghĩ đó là một câu hỏi điên rồ hoặc nhất thiết phải đặt ra. Nhưng cả cấu trúc phân cấp và mô hình giống GLM đều mở lon giun khiến việc chọn câu trả lời khó hơn. Tôi thường không bận tâm, nhưng tôi có thể thấy lý do tại sao mọi người muốn thử tìm những con số đo lường mức độ phù hợp hoặc tầm quan trọng tương đối của các thuật ngữ trong một mô hình, một cách hợp lý.
Ben Bolker

Sự hợp lý của nó. Btw, bạn nghĩ gì về đề xuất của tôi rằng với 10 cây, 3 nghiệm thức & N = 30, OP có thể phù hợp với một mô hình sử dụng cả hai như là hiệu ứng cố định? Tôi không nhất thiết nghĩ rằng đây sẽ là mô hình cuối cùng phù hợp, tất nhiên, nhưng nó đánh vào tôi như một cách có thể cho phép để kiểm tra nếu có sự khác biệt giữa các nhà máy và đưa cả hai biến vào cùng một bước để so sánh.
gung - Phục hồi Monica

có vẻ hợp lý với tôi
Ben Bolker

Tôi phù hợp với một mô hình có cả Hiệu ứng và Thực vật theo hiệu ứng cố định như đề xuất và thuật ngữ Thực vật có giá trị p rất cao (p = 0,3). Điều này có vẻ kỳ quặc không, như bạn nói, "độ lệch chuẩn giữa các nhà máy ước tính là 1,20, rất gần với mức độ của hiệu quả xử lý lớn nhất (-1,18)"? Tại sao nó lại hiển thị không đáng kể trong ANOVA với 2 hiệu ứng cố định?
jwb4

3

PlantID0

Trong trường hợp của bạn, bạn có nhiều biện pháp cho mỗi nhà máy, vì vậy một cách tiếp cận nhanh và bẩn là chạy một mô hình với PlantIDhiệu ứng cố định và kiểm tra hiệu ứng đó.


1

Câu trả lời đơn giản cho người đánh giá của bạn là "Có". Nếu anh ta yêu cầu bạn kiểm tra xem phương sai của hiệu ứng ngẫu nhiên có khác biệt đáng kể so với 0 hay không, bạn có một vài lựa chọn. Lưu ý rằng mặc dù nhiều người thông minh không thoải mái khi thử nghiệm nếu phương sai của các hiệu ứng ngẫu nhiên khác 0.

Đơn giản nhất là một thử nghiệm tỷ lệ khả năng, mặc dù không được khuyến nghị bởi hầu hết. Họ rất thận trọng khi kiểm tra tại các ranh giới (tức là bạn đang kiểm tra với phương sai bằng 0, mức thấp nhất có thể). Có một nguyên tắc nhỏ là giá trị p gấp khoảng hai lần so với thực tế.

Phương pháp được đề xuất hầu hết các nơi là bootstrap tham số. Bạn có thể sử dụng bootMertừ lme4gói. Đảm bảo rằng bạn đã đặt tham số REML của hàm lmer của mình thành FALSE, nếu không phương sai của bạn sẽ lớn hơn 0 100% thời gian (hoặc gần với nó ... thực sự có thể nó sẽ lớn hơn 0 gần 100% dù sao thời gian).

Một số mẹo và tài nguyên khác:

http://glmm.wikidot.com/faq (tìm Làm thế nào tôi có thể kiểm tra xem một hiệu ứng ngẫu nhiên có đáng kể không?

thử nghiệm bootstrap lmer () cho các hiệu ứng cố định

http://www.r-bloggers.com/USE-bootmer-to-do-model-comparison-in-r/


Cảm ơn hướng dẫn sáng suốt này (và nhanh chóng!) Để so sánh mô hình. Nhưng làm thế nào tôi có thể giải thích "độ lớn" của tác động của biến ngẫu nhiên? tức là, làm thế nào tôi có thể so sánh phương sai được giải thích bởi biến ngẫu nhiên của tôi với phương sai được giải thích bởi biến cố định (điều trị)? Tôi đoán tôi không thấy điều này được lượm lặt từ kết quả của bài kiểm tra LRT khởi động.
jwb4

0

Trong Thử nghiệm Q nhiều mẫu của Burran, họ sử dụng anova để so sánh kết quả của hai mô hình (một không có hiệu ứng ngẫu nhiên và một có hiệu ứng ngẫu nhiên).

Đại học Jairo Rocha thuộc quần đảo Balearic

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.