Mô hình hiệu ứng hỗn hợp với splines

Tôi đang điều chỉnh một mô hình hiệu ứng hỗn hợp với một thuật ngữ spline trong một ứng dụng trong đó xu hướng theo thời gian được gọi là tuyến tính. Tuy nhiên, điều tôi muốn đánh giá là liệu xu hướng tuyến tính xảy ra do độ lệch riêng lẻ so với tuyến tính hay là một hiệu ứng ở cấp độ nhóm làm cho mức độ phù hợp của nhóm xuất hiện theo tuyến tính. Tôi đưa ra một ví dụ tái tạo nhàm chán một bộ dữ liệu từ gói JM.

library(nlme)
library(JM)
data(pbc2)

fitLME1 <- lme(log(serBilir) ~ ns(year, 2), random = ~ year | id, data = pbc2)
fitLME2 <- lme(log(serBilir) ~ year, random = ~ ns(year, 2) | id, data = pbc2)

Về cơ bản tôi muốn biết cái nào trong số này phù hợp hơn với dữ liệu của tôi. Tuy nhiên, so sánh bằng cách anovacho tôi một cảnh báo đáng ngại:

        Model df      AIC      BIC    logLik   Test  L.Ratio p-value
fitLME1     1  7 3063.364 3102.364 -1524.682                        
fitLME2     2  9 2882.324 2932.472 -1432.162 1 vs 2 185.0399  <.0001
Warning message:
In anova.lme(fitLME1, fitLME2) :
  fitted objects with different fixed effects. REML comparisons are not meaningful.

Bây giờ tôi nhận thấy rằng có những khó khăn khi thực hiện các loại so sánh này thông qua các phương pháp khả năng tối đa - nhưng phương án thay thế là gì?

r splines lme4-nlme

— người dùng2498193
nguồn

Hãy thử điều chỉnh lại bằng phương thức = "ML" hoặc bất kỳ cụm từ chính xác nào và xem cảnh báo có biến mất không.

— mdewey

Như mdewey nói sau đó chỉnh lại mô hình mà không cần phương pháp ước lượng REML. Như cảnh báo nói, so sánh không có ý nghĩa khi bạn có các cấu trúc hiệu ứng cố định khác nhau.

Vấn đề tiếp theo là các mô hình không được lồng nhau nên thử nghiệm F có lẽ không có ý nghĩa. Bạn có thể nhìn vào các tiêu chí thông tin. Cả hai ưu ái fitLME2.

— Benjamin Christoffersen
nguồn