Khi bao gồm một hiệu ứng ngẫu nhiên trong một mô hình


9

Tôi chưa quen với mô hình hỗn hợp và tôi bối rối không biết có thích hợp sử dụng hiệu ứng ngẫu nhiên trong phân tích tôi đang làm hay không. Lời khuyên nào sẽ được đánh giá cao.

nghiên cứu của tôi đang thử nghiệm làm thế nào một chỉ số mới về sự phong phú của động vật có vú có thể dự đoán giá trị của một chỉ số được thiết lập nhưng sử dụng nhiều lao động hơn. Tôi đã đo các chỉ số này trong nhiều khu rừng, với nhiều lô trong mỗi khu rừng.

bởi vì tôi không quan tâm trực tiếp đến tác động của các mảng rừng và bởi vì các ô mẫu của tôi được lồng trong các mảng rừng, nên tôi đã sử dụng các bản vá rừng như một hiệu ứng ngẫu nhiên. Tuy nhiên, tôi đã có một vài câu hỏi về điều này:

đầu tiên, tôi biết rằng các hiệu ứng ngẫu nhiên cho phép bạn khái quát kết quả của mình qua tất cả các cấp độ có thể có của yếu tố ngẫu nhiên, không chỉ các hiệu ứng bạn đã lấy mẫu. Nhưng đối với tôi, để làm cho loại suy luận này, các cấp độ của bạn sẽ phải được lấy mẫu ngẫu nhiên? Các bản vá rừng của tôi không được lấy mẫu ngẫu nhiên, vì vậy tôi vẫn có thể sử dụng chúng như một hiệu ứng ngẫu nhiên chứ?

thứ hai, Ive đọc rằng bạn có thể kiểm tra xem có cần thiết phải có hiệu ứng ngẫu nhiên hay không bằng cách thực hiện ví dụ kiểm tra tỷ lệ khả năng để so sánh các mô hình có và không có hiệu ứng. Tôi đã làm điều này và nó gợi ý rằng mô hình hiệu ứng ngẫu nhiên không giải thích dữ liệu cũng như mô hình chỉ có hiệu ứng cố định. Vấn đề của tôi với điều này là các mảnh đất của tôi vẫn được lồng trong các khu rừng và do đó có lẽ không độc lập. vì vậy, tôi có thể sử dụng phương pháp LRT này để biện minh cho việc loại trừ hiệu ứng ngẫu nhiên hay tôi vẫn cần đưa nó vào tài khoản để lồng nhau? và nếu tôi cuối cùng loại bỏ hiệu ứng ngẫu nhiên, có cách nào để xác minh rằng các lô trong các khu rừng có thể được coi là độc lập không?

Cảm ơn bạn đã giúp đỡ!

Jay


Tôi nghĩ rằng điều khái niệm chính với các hiệu ứng ngẫu nhiên là tất cả chúng nên có cùng độ lớn và có thể trao đổi - đây là điều làm cho suy luận về các hiệu ứng ngẫu nhiên không được lấy mẫu có thể xảy ra. Ngoài ra, bạn nên cẩn thận khi sử dụng các thử nghiệm LR cho các hiệu ứng ngẫu nhiên vì có thể có sự không chắc chắn đáng kể về thành phần phương sai ngay cả khi ước tính ML / REML bằng 0 hoặc gần bằng 0.
xác suất

Cảm ơn rất nhiều vì điều đó. Có cách nào để giải quyết nếu cần thiết để giữ hiệu ứng ngẫu nhiên không?
jay

Theo những gì tôi hiểu, tốt nhất là không nên so sánh LR với các mô hình phù hợp với REML. Ví dụ, trong phần mềm của R, bạn nên đặt REML = FALSE khi thực hiện LRT. (Mặc định là TRUE, nếu không thì tốt hơn.)
Wayne

Câu trả lời:


6

Theo tôi hiểu, bạn có một thiết kế quan sát lồng nhau đơn giản (các ô trong các bản vá) và mối quan tâm của bạn là sự tương quan / hồi quy giữa hai biến liên tục (hai chỉ số). Cỡ mẫu của bạn là m vá xn lô = N cặp quan sát (hoặc tổng hợp thích hợp nếu không cân bằng). Không có ngẫu nhiên thích hợp có liên quan, nhưng có lẽ bạn có thể / nên / muốn xem xét rằng (1) các bản vá được "chọn ngẫu nhiên" từ tất cả các bản vá loại này hoặc trong một số khu vực, và sau đó (2) các ô được "ngẫu nhiên" được chọn trong mỗi bản vá.

Nếu bạn bỏ qua Patch yếu tố ngẫu nhiên, bạn có thể giả mạo bằng cách xem xét rằng bạn đã chọn ngẫu nhiên N lô "một cách tự do", mà không ràng buộc chúng là (số lượng hoặc loại) trong các bản vá được chọn (trước đó).

Vì vậy, câu hỏi đầu tiên của bạn: có, đó là những gì một yếu tố ngẫu nhiên cho phép. Hiệu lực của suy luận như vậy phụ thuộc vào tính hợp lệ của giả định rằng lựa chọn hỗn loạn tương đương với lựa chọn ngẫu nhiên các bản vá (ví dụ: kết quả của bạn sẽ không khác nếu chọn một bản vá rừng khác nhau). Điều đó cũng đặt ra giới hạn cho không gian suy luận của bạn: loại rừng hoặc khu vực địa lý mà kết quả của bạn mở rộng phụ thuộc vào dân số tối đa (tưởng tượng) của các bản vá từ đó mẫu của bạn là mẫu "ngẫu nhiên" đáng tin cậy. Có thể các quan sát của bạn là một mẫu "ngẫu nhiên hợp lý" của các động vật có vú trong các khu rừng trong khu vực của bạn nhưng sẽ là một mẫu tổng hợp đáng ngờ của các động vật có vú của cả lục địa.

Cách thứ hai: bài kiểm tra sẽ phụ thuộc vào "mức độ giả hành", hoặc bằng chứng trong mẫu của bạn về các ô "thuộc" các bản vá. Đây là, có bao nhiêu biến thể giữa các bản vá và giữa các lô trong các bản vá (tìm kiếm mối tương quan nội hàm). Trong một thái cực, chỉ có sự khác biệt giữa các bản vá (các ô trong một bản vá đều giống nhau) và bạn có "giả ngẫu nhiên": N của bạn phải là số bản vá và lấy mẫu một hoặc nhiều lô từ mỗi bản vá đó không cung cấp thông tin mới. Ở một thái cực khác, tất cả các biến thể xảy ra giữa các ô và không có biến thể bổ sung nào được giải thích bằng cách biết khu rừng nào mà mỗi ô thuộc về (và sau đó mô hình không có yếu tố ngẫu nhiên sẽ xuất hiện nhiều hơn); bạn có những mảnh đất "độc lập". Không có sự cực đoan nào rất có thể xảy ra ... đặc biệt đối với các biến sinh học được quan sát trên mặt đất, nếu chỉ vì sự tự tương quan không gian và phân bố địa lý của động vật có vú. Cá nhân tôi thích giữ các yếu tố theo thiết kế dù sao (ví dụ, ngay cả khi các bản vá không phải là nguồn biến thể có liên quan TRONG MẪU NÀY) để duy trì sự tương tự "quan sát thực nghiệm" đã giải thích ở trên; hãy nhớ rằng: không có bằng chứng trong mẫu của bạn để từ chối giả thuyết null mà biến thể giữa các bản vá là 0 không có nghĩa là biến thể là 0 trong dân số. ngay cả khi các bản vá không phải là một nguồn biến thể có liên quan TRONG MẪU NÀY) để duy trì sự tương tự "quan sát thực nghiệm" được giải thích ở trên; hãy nhớ rằng: không có bằng chứng trong mẫu của bạn để từ chối giả thuyết null mà biến thể giữa các bản vá là 0 không có nghĩa là biến thể là 0 trong dân số. ngay cả khi các bản vá không phải là một nguồn biến thể có liên quan TRONG MẪU NÀY) để duy trì sự tương tự "quan sát thực nghiệm" được giải thích ở trên; hãy nhớ rằng: không có bằng chứng trong mẫu của bạn để từ chối giả thuyết null mà biến thể giữa các bản vá là 0 không có nghĩa là biến thể là 0 trong dân số.

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.