Điều gì dễ giải thích, mức độ phù hợp của các biện pháp phù hợp cho các mô hình hiệu ứng hỗn hợp tuyến tính?

Tôi hiện đang sử dụng gói R lme4 .

Tôi đang sử dụng một mô hình hiệu ứng hỗn hợp tuyến tính với các hiệu ứng ngẫu nhiên:

library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect + 
            # random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects + 
            # random effects

Để so sánh các mô hình, tôi đang sử dụng anovahàm và xem xét sự khác biệt trong AIC so với mô hình AIC thấp nhất:

anova(mod1, mod2, mod3)

Trên đây là tốt để so sánh các mô hình.

Tuy nhiên, tôi cũng cần một số cách đơn giản để diễn giải mức độ tốt của các biện pháp phù hợp cho từng mô hình. Có ai có kinh nghiệm với các biện pháp như vậy? Tôi đã thực hiện một số nghiên cứu và có các bài báo trên R bình phương cho các hiệu ứng cố định của các mô hình hiệu ứng hỗn hợp:

• Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA, & Muller, KE (2010). Phân tích dữ liệu theo chiều dọc thực cho người thực: Xây dựng mô hình hỗn hợp đủ tốt. Thống kê trong Y học, 29 (4), 504-520. doi: 10.1002 / sim.3775
• Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF, & Schabenberger, O. (2008). Một thống kê R2 cho các hiệu ứng cố định trong mô hình hỗn hợp tuyến tính. Thống kê trong Y học, 27 (29), 6137-6157. doi: 10.1002 / sim.3429

Tuy nhiên, dường như có một số lời chỉ trích xung quanh việc sử dụng các biện pháp như những biện pháp được đề xuất trong các bài viết trên.

Ai đó có thể xin vui lòng đề xuất một vài cách dễ dàng để giải thích, sự tốt đẹp của các biện pháp phù hợp có thể áp dụng cho các mô hình của tôi?

Không có gì dễ hiểu như mức độ dễ hiểu của thước đo phù hợp cho các mô hình hỗn hợp tuyến tính :)

Mức độ phù hợp của hiệu ứng ngẫu nhiên (mod1) có thể được đo bằng ICCvà ICC2(tỷ lệ giữa phương sai được tính bằng hiệu ứng ngẫu nhiên và phương sai còn lại). gói tâm lý R bao gồm một hàm để trích xuất chúng tạo thành một đối tượng lme.

Có thể sử dụng R2để đánh giá hiệu ứng cố định (mod2, mod3), nhưng điều này có thể khó khăn: Khi hai mô hình hiển thị R2 tương tự, đó có thể là trường hợp một "chính xác" hơn, nhưng bị che bởi yếu tố cố định của nó " trừ "một thành phần phương sai lớn hơn cho hiệu ứng ngẫu nhiên. Mặt khác, thật dễ dàng để giải thích một R2 lớn hơn của mô hình bậc cao nhất (ví dụ mod3). Trong chương của Baayen về các mô hình hỗn hợp, có một cuộc thảo luận thú vị về điều này. Ngoài ra, hướng dẫn của nó rất rõ ràng.

Một giải pháp khả thi là xem xét từng cái một variance componentcách độc lập, và sau đó sử dụng chúng để so sánh các mô hình.