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 anova
hàm 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?
mixed()
trong gói afex của tôi ( phiên bản phát triển cũng có bootstrap tham số ). Xem ở đây để tham khảo một số .
KRmodcomp
từ gói pbkrtest
. Bạn cũng có thể sử dụng KRmodcomp
trực tiếp để so sánh các mô hình.