Làm cách nào để diễn giải 'mối tương quan của hiệu ứng cố định' trong đầu ra lấp lánh của tôi?

Tôi có đầu ra sau:

Generalized linear mixed model fit by the Laplace approximation 
Formula: aph.remain ~ sMFS2 +sAG2 +sSHDI2 +sbare +season +crop +(1|landscape) 

 AIC   BIC    logLik deviance
 4062  4093  -2022   4044

Random effects:
Groups    Name        Variance Std.Dev.
landscape (Intercept) 0.82453  0.90804 
Number of obs: 239, groups: landscape, 45

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  2.65120    0.14051  18.868   <2e-16     
sMFS2        0.26922    0.17594   1.530   0.1260    
sAG2         0.09268    0.14529   0.638   0.5235    
sSHDI2       0.28345    0.17177   1.650   0.0989  
sbare        0.41388    0.02976  13.907   <2e-16 
seasonlate  -0.50165    0.02729 -18.384   <2e-16 
cropforage   0.79000    0.06724  11.748   <2e-16 
cropsoy      0.76507    0.04920  15.551   <2e-16 

Correlation of Fixed Effects:
           (Intr) sMFS2  sAG2   sSHDI2 sbare  sesnlt crpfrg
sMFS2      -0.016                                          
sAG2        0.006 -0.342                                   
sSHDI2     -0.025  0.588 -0.169                            
sbare      -0.113 -0.002  0.010  0.004                     
seasonlate -0.034  0.005 -0.004  0.001 -0.283              
cropforage -0.161 -0.005  0.012 -0.004  0.791 -0.231       
cropsoy    -0.175 -0.022  0.013  0.013  0.404 -0.164  0.557

Tất cả các biến liên tục của tôi (được biểu thị bằng một chữ nhỏ strước tên biến) được chuẩn hóa (z-points). seasonlà một biến phân loại có 2 cấp độ (sớm và muộn) và croplà biến phân loại có 3 cấp độ (ngô, thức ăn gia súc và đậu nành).

Mối tương quan này của ma trận hiệu ứng cố định thực sự làm tôi bối rối, bởi vì tất cả các mối tương quan đều có dấu hiệu ngược lại mà chúng làm khi tôi nhìn vào hồi quy đơn giản của các cặp biến. tức là, mối tương quan của ma trận hiệu ứng cố định cho thấy mối tương quan tích cực mạnh mẽ giữa cropforagevà sbare, trong khi thực tế có mối tương quan NEGECT rất mạnh giữa các biến này - cây trồng thức ăn gia súc có xu hướng ít đất hơn so với cây ngô và đậu nành. Các cặp biến liên tục có cùng một vấn đề, mối tương quan của ma trận hiệu ứng cố định cho biết mọi thứ đều trái ngược với những gì cần có ... Điều này có thể là do sự phức tạp của mô hình (không phải là hồi quy đơn giản)? Nó có thể có một cái gì đó để làm với thực tế là các biến được tiêu chuẩn hóa?

Cảm ơn.

Đầu ra "tương quan của hiệu ứng cố định" không có ý nghĩa trực quan mà hầu hết sẽ gán cho nó. Cụ thể, không phải là về mối tương quan của các biến (như ghi chú của OP). Trên thực tế, đó là về mối tương quan dự kiến ​​của các hệ số hồi quy. Mặc dù điều này có thể nói đến đa cộng đồng nhưng nó không nhất thiết phải như vậy. Trong trường hợp này, nó sẽ cho bạn biết rằng nếu bạn đã thực hiện lại thí nghiệm và điều đó đã xảy ra rằng hệ số cho cropforagenhỏ hơn, có khả năng là điều đó cũng sẽ xảy ra sbare.

Trong phần của mình, cuốn sách "Phân tích dữ liệu ngôn ngữ: Giới thiệu thực tế về thống kê sử dụng R" đối phó với lme4 Baayen đã loại bỏ phần đầu ra đó và chỉ tuyên bố nó hữu ích trong các trường hợp đặc biệt. Dưới đây là một thông điệp listerv trong đó chính Bates mô tả cách diễn giải phần đó của đầu ra:

Nó là một mối tương quan gần đúng của công cụ ước tính của các hiệu ứng cố định. (Tôi bao gồm từ "gần đúng" bởi vì tôi nên nhưng trong trường hợp này, phép tính gần đúng là rất tốt.) Tôi không chắc làm thế nào để giải thích nó tốt hơn thế. Giả sử rằng bạn đã lấy một mẫu MCMC từ các tham số trong mô hình, thì bạn sẽ mong đợi mẫu của các tham số hiệu ứng cố định sẽ hiển thị cấu trúc tương quan như ma trận này.

Nếu mối tương quan tiêu cực và tích cực của bạn giống nhau về giá trị của chúng và chỉ có dấu hiệu của chúng khác nhau, thì bạn đang nhập sai biến. Nhưng tôi không nghĩ rằng đây là trường hợp của bạn vì bạn đã có vẻ khá tiến bộ về chỉ số.

Sự không nhất quán mà bạn đang gặp phải có thể và có khả năng gây ra bởi tính đa hình. Nó có nghĩa là khi một số biến độc lập chia sẻ một số hiệu ứng chồng chéo, hay nói cách khác là tương quan với nhau. ví dụ mô hình hóa các biến "tốc độ tăng trưởng" và "kích thước khối u" có thể gây ra đa hình, vì có thể và có khả năng các khối u lớn hơn có tốc độ tăng trưởng cao hơn (trước khi chúng được phát hiện) mỗi lần. Điều này có thể gây nhầm lẫn cho mô hình. Và nếu mô hình của bạn có một vài biến độc lập tương quan với nhau, việc diễn giải kết quả đôi khi có thể trở nên khá khó khăn. Đôi khi nó dẫn đến các hệ số hoàn toàn kỳ lạ, thậm chí đến mức độ mà dấu hiệu của một số tương quan đảo ngược.

Trước tiên, bạn nên phát hiện các nguồn của đa cộng đồng và đối phó với chúng và sau đó chạy lại phân tích của bạn.

Có thể hữu ích để chỉ ra rằng những mối tương quan giữa các hiệu ứng cố định có được bằng cách chuyển đổi "vcov" của mô hình thành ma trận tương quan. Nếu fitlà mô hình lme4 được trang bị của bạn, thì

vc <- vcov(fit)

# diagonal matrix of standard deviations associated with vcov
S <- sqrt(diag(diag(vc), nrow(vc), nrow(vc)))

# convert vc to a correlation matrix
solve(S) %*% vc %*% solve(S)

và mối tương quan giữa các hiệu ứng cố định là các mục ngoài đường chéo.