Tôi có mô hình sau:
> model1<-lmer(aph.remain~sMFS1+sAG1+sSHDI1+sbare+season+crop
+(1|landscape),family=poisson)
... Và đây là đầu ra tóm tắt.
> summary(model1)
Generalized linear mixed model fit by the Laplace approximation
Formula: aph.remain ~ sMFS1 + sAG1 + sSHDI1 + sbare + season + crop
+ (1 | landscape)
AIC BIC logLik deviance
4057 4088 -2019 4039
Random effects:
Groups Name Variance Std.Dev.
landscape (Intercept) 0.74976 0.86588
Number of obs: 239, groups: landscape, 45
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.6613761 0.1344630 19.793 < 2e-16
sMFS1 0.3085978 0.1788322 1.726 0.08441
sAG1 0.0003141 0.1677138 0.002 0.99851
sSHDI1 0.4641420 0.1619018 2.867 0.00415
sbare 0.4133425 0.0297325 13.902 < 2e-16
seasonlate -0.5017022 0.0272817 -18.390 < 2e-16
cropforage 0.7897194 0.0672069 11.751 < 2e-16
cropsoy 0.7661506 0.0491494 15.588 < 2e-16
Correlation of Fixed Effects:
(Intr) sMFS1 sAG1 sSHDI1 sbare sesnlt crpfrg
sMFS1 -0.007
sAG1 0.002 -0.631
sSHDI1 0.000 0.593 -0.405
sbare -0.118 -0.003 0.007 -0.013
seasonlate -0.036 0.006 -0.006 0.003 -0.283
cropforage -0.168 -0.004 0.016 -0.014 0.791 -0.231
cropsoy -0.182 -0.028 0.030 -0.001 0.404 -0.164 0.557
Nó có thể là quá nhiều, nhưng làm thế nào để tôi tính toán chính xác điều này?
Cảm ơn rất nhiều.
Hãy thử qcc.overdispersion.test trong gói qcc .
—
Penguin_Knight
Tôi không rành về việc sử dụng gói lme4, nhưng một cách để tìm hiểu xem có sự quá mức khi xử lý mô hình Poisson hay không là so sánh độ lệch còn lại với mức độ tự do còn lại. Chúng được coi là giống nhau, vì vậy nếu độ lệch còn lại lớn hơn mức độ tự do còn lại, thì đây là dấu hiệu của sự quá mức. Ngoài ra còn có thử nghiệm Cameron & Trivingi về giả định về sự tương đương, nhưng một lần nữa, tôi không chắc liệu điều này có thể được thực hiện bởi gói lme4 hay không.
—
Graeme Walsh
@Penguin_Knight: có vẻ như không
—
Ben Bolker
qcc.overdispersion.test
phù hợp (nó kiểm tra sự quá mức trong dữ liệu nhị thức thô , không phải trong một mô hình)