Tôi cần xác định các ngoại lệ và các điểm đòn bẩy cao và thực hiện chẩn đoán mô hình, trong một lme4
mô hình. Đối với các ngoại lệ và các điểm đòn bẩy cao, chỉ cần tạo một âm mưu để kiểm tra trực quan sẽ tốt, nhưng không đủ. Tôi có 10.800 điểm dữ liệu và cần đánh dấu từng điểm thông qua một số bài kiểm tra phân tích hoặc tính toán là ngoại lệ / đòn bẩy cao hoặc không ngoại lệ / đòn bẩy cao. Sau khi xác định các điểm ngoại lệ / điểm đòn bẩy cao, tôi sẽ trải qua một quy trình riêng để quyết định có loại trừ các điểm khỏi bộ dữ liệu hay không.
Loại trừ các điểm sẽ xem xét phân tích chi tiết trước về nguồn dữ liệu thô của từng quan sát (bản ghi âm), ngoài việc nhận dạng tự động được đề cập ở trên. Ở đây, tôi gọi quá trình này là "xóa có chọn lọc".
Tôi cũng cần phải hiểu liệu các ngoại lệ của tôi nên dựa trên phần dư "cận biên" hay "có điều kiện" và liệu đòn bẩy của tôi nên dựa trên các hiệu ứng cố định hay cố định cộng với các hiệu ứng ngẫu nhiên. Đối với các khuyết điểm của "cận biên" và "có điều kiện", cũng như các khiếm khuyết tiềm năng của đòn bẩy, tôi đang theo dõi Chẩn đoán và Điều trị cho Mô hình hỗn hợp tuyến tính , Singer et al, 2013 .
Tức là, với một mô hình hỗn hợp của hình thức ...
- Cách xác định các ngoại lệ thông qua quy trình tự động dựa trên
lme4
mô hình. - Cho dù dư lượng có điều kiện hoặc có điều kiện nên được sử dụng để xác định các ứng cử viên để xóa có chọn lọc.
- Những loại dư nào nên được sử dụng để đánh giá tính chuẩn tắc, tuyến tính, homoscedasticity, v.v.
- Cách xác định các điểm đòn bẩy cao cho mục đích xóa có chọn lọc và sử dụng đòn bẩy từ cố định hay tất cả các hiệu ứng (xem Singer et al , ở trên).
- Làm thế nào để kiểm tra được phân phối là , nghĩa là đa biến thông thường? Điều này được thực hiện đơn giản bằng cách xem các lô QQ của các hiệu ứng ngẫu nhiên? Điều gì xảy ra nếu có hiệp phương sai, nghĩa là các số hạng ngoài đường chéo khác không? Việc nhìn vào các ô QQ 1 chiều cho mỗi hiệu ứng ngẫu nhiên vẫn đủ để đánh giá loại quy tắc này? Hoặc là một số loại chuyển đổi cần thiết?