Saya merevisi makalah tentang penyerbukan, di mana data didistribusikan secara biner (buah matang atau tidak). Jadi saya menggunakan glmer
satu efek acak (tanaman individu) dan satu efek tetap (pengobatan). Peninjau ingin tahu apakah tanaman berpengaruh pada set buah - tetapi saya mengalami kesulitan menafsirkan glmer
hasilnya.
Saya sudah membaca di web dan sepertinya ada masalah dengan langsung membandingkan glm
dan glmer
model, jadi saya tidak melakukan itu. Saya menemukan cara paling mudah untuk menjawab pertanyaan adalah dengan membandingkan varians efek acak (1,449, di bawah) dengan total varians, atau varians yang dijelaskan oleh pengobatan. Tetapi bagaimana saya menghitung varian-varian lain ini? Mereka sepertinya tidak dimasukkan dalam output di bawah ini. Saya membaca sesuatu tentang varian residual yang tidak dimasukkan untuk binomial glmer
- bagaimana cara menafsirkan kepentingan relatif dari efek acak?
> summary(exclusionM_stem)
Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID)
AIC BIC logLik deviance df.resid
125.9 131.5 -59.0 117.9 26
Scaled residuals:
Min 1Q Median 3Q Max
-2.0793 -0.8021 -0.0603 0.6544 1.9216
Random effects:
Groups Name Variance Std.Dev.
PlantID (Intercept) 1.449 1.204
Number of obs: 30, groups: PlantID, 10
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.5480 0.4623 -1.185 0.2359
TreatmentD -1.1838 0.3811 -3.106 0.0019 **
TreatmentN -0.3555 0.3313 -1.073 0.2832
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) TrtmnD
TreatmentD -0.338
TreatmentN -0.399 0.509
Yang Anda inginkan adalah menguji apakah variansnya0
PlantID
adalah . Namun, ini adalah tes yang aneh untuk dijalankan, karena nilai nol berada pada batas ruang yang diizinkan. Tes semacam itu masih berjalan, tetapi banyak orang sangat tidak nyaman dengan tes itu.Dalam kasus Anda, Anda memiliki beberapa ukuran per tanaman, jadi satu pendekatan cepat dan kotor adalah menjalankan model dengan
PlantID
efek tetap, dan menguji efek itu.sumber
Jawaban sederhana untuk pengulas Anda adalah, "Ya." Jika dia meminta Anda untuk menguji apakah varians dari efek acak berbeda secara signifikan dari 0, Anda memiliki beberapa opsi. Perhatikan bahwa banyak orang pintar tidak nyaman dengan pengujian jika varian efek acak berbeda dari 0.
Paling sederhana adalah tes rasio kemungkinan, meskipun tidak direkomendasikan oleh sebagian besar. Mereka sangat konservatif ketika menguji pada batas (yaitu Anda menguji terhadap varian 0 yang serendah mungkin). Ada aturan praktis di luar sana bahwa nilai p sekitar dua kali dari apa sebenarnya.
Metode yang direkomendasikan kebanyakan tempat adalah bootstrap parametrik. Anda dapat menggunakan
bootMer
darilme4
paket. Pastikan bahwa Anda mengatur parameter REML fungsi lmer Anda ke FALSE, jika varians Anda akan lebih besar dari 0 100% dari waktu (atau dekat dengan itu ... sebenarnya itu mungkin akan lebih besar dari 0 hampir 100% dari waktu pula).Beberapa kiat dan sumber lebih lanjut:
http://glmm.wikidot.com/faq (temukan Bagaimana saya bisa menguji apakah efek acak signifikan? tajuk)
lmer () pengujian bootstrap parametrik untuk efek yang diperbaiki
http://www.r-bloggers.com/using-bootmer-to-do-model-comparison-in-r/
sumber
Dalam Multiple-Sample Cochran's Q Test , mereka menggunakan anova untuk membandingkan hasil dari dua model (satu tanpa efek acak dan satu dengan efek acak).
Universitas Jairo Rocha dari Kepulauan Balearic
sumber