Làm thế nào người ta có thể làm một bài kiểm tra giả thuyết MCMC trên mô hình hồi quy hiệu ứng hỗn hợp với độ dốc ngẫu nhiên?

Ngôn ngữ thư việnR cung cấp một phương thức (p đạn.fnc) để thực hiện kiểm tra ý nghĩa MCMC của các hiệu ứng cố định trong mô hình hồi quy hiệu ứng hỗn hợp phù hợp bằng cách sử dụng lmer. Tuy nhiên, p đạn.fnc đưa ra lỗi khi mô hình lmer bao gồm các độ dốc ngẫu nhiên.

Có cách nào để làm một bài kiểm tra giả thuyết MCMC của các mô hình như vậy không?
Nếu vậy thì thế nào? (Để được chấp nhận một câu trả lời nên có một ví dụ hoạt động trong R) Nếu không, có lý do khái niệm / tính toán tại sao không có cách nào không?

Câu hỏi này có thể liên quan đến câu hỏi này nhưng tôi không hiểu rõ nội dung ở đó đủ chắc chắn.

Chỉnh sửa 1 : Một bằng chứng về khái niệm cho thấy p tỏ.fnc () vẫn thực hiện 'một cái gì đó' với các mô hình lme4, nhưng nó không làm gì với các mô hình độ dốc ngẫu nhiên.

library(lme4)
library(languageR)
#the example from pvals.fnc
data(primingHeid) 
# remove extreme outliers
primingHeid = primingHeid[primingHeid$RT < 7.1,]
# fit mixed-effects model
primingHeid.lmer = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1|Subject) + (1|Word), data = primingHeid)
mcmc = pvals.fnc(primingHeid.lmer, nsim=10000, withMCMC=TRUE)
#Subjects are in both conditions...
table(primingHeid$Subject,primingHeid$Condition)
#So I can fit a model that has a random slope of condition by participant
primingHeid.lmer.rs = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1+Condition|Subject) + (1|Word), data = primingHeid)
#However pvals.fnc fails here...
mcmc.rs = pvals.fnc(primingHeid.lmer.rs)

Nó nói: Lỗi trong p đạn.fnc (primingHeid.lmer.rs): Lấy mẫu MCMC chưa được triển khai trong lme4_0.999375 cho các mô hình có tham số tương quan ngẫu nhiên

Câu hỏi bổ sung: pval.fnc có hoạt động như mong đợi cho mô hình chặn ngẫu nhiên không? Có nên tin tưởng đầu ra?

Có vẻ như thông báo lỗi của bạn không phải là về độ dốc khác nhau, đó là về các hiệu ứng ngẫu nhiên tương quan. Bạn có thể phù hợp với không tương thích là tốt; đó là, một mô hình hiệu ứng hỗn hợp với các hiệu ứng ngẫu nhiên độc lập:

Linear mixed model fit by REML
Formula: Reaction ~ Days + (1 | Subject) + (0 + Days | Subject)
Data: sleepstudy

từ http://www.stat.wisc.edu/~bates/IMPS2008/lme4D.pdf

Đây (ít nhất là hầu hết) một giải pháp với MCMCglmm.

Đầu tiên phù hợp với mô hình chỉ đánh chặn tương đương với MCMCglmm:

library(MCMCglmm)
primingHeid.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition, 
                                random=~Subject+Word, data = primingHeid)

So sánh sự phù hợp giữa MCMCglmmvà lmer, đầu tiên lấy phiên bản bị hack của tôi về arm::coefplot:

source(url("http://www.math.mcmaster.ca/bolker/R/misc/coefplot_new.R"))
  ## combine estimates of fixed effects and variance components
pp  <- as.mcmc(with(primingHeid.MCMCglmm, cbind(Sol, VCV)))
  ## extract coefficient table
cc1 <- coeftab(primingHeid.MCMCglmm,ptype=c("fixef", "vcov"))
  ## strip fixed/vcov indicators to make names match with lmer output
rownames(cc1) <- gsub("(Sol|VCV).", "", rownames(cc1))
  ## fixed effects -- v. similar
coefplot(list(cc1[1:5,], primingHeid.lmer))
  ## variance components -- quite different.  Worth further exploration?
coefplot(list(cc1[6:8,], coeftab(primingHeid.lmer, ptype="vcov")),
         xlim=c(0,0.16), cex.pts=1.5)

Bây giờ hãy thử nó với độ dốc ngẫu nhiên:

primingHeid.rs.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition,
                                   random=~Subject+Subject:Condition+Word, 
                                   data = primingHeid)        
summary(primingHeid.rs.MCMCglmm)

Điều này mang lại một số loại "giá trị p MCMC" ... bạn sẽ phải tự mình khám phá và xem liệu toàn bộ điều này có hợp lý không ...