Saya berharap seseorang dapat membantu dengan apa yang saya pikir merupakan pertanyaan yang relatif sederhana, dan saya pikir saya tahu jawabannya tetapi tanpa konfirmasi itu sudah menjadi sesuatu yang saya tidak bisa yakin.
Saya memiliki beberapa data hitungan sebagai variabel respon dan saya ingin mengukur bagaimana variabel itu berubah dengan kehadiran proporsional dari sesuatu.
Secara lebih rinci, variabel respon adalah jumlah keberadaan spesies serangga di sejumlah lokasi, jadi misalnya situs diambil sampelnya 10 kali dan spesies ini dapat terjadi 4 kali.
Saya ingin melihat apakah ini berkorelasi dengan keberadaan proporsional sekelompok spesies tanaman dalam komunitas tanaman secara keseluruhan di lokasi-lokasi ini.
Ini berarti data saya terlihat sebagai berikut (ini hanya sebuah contoh)
Site, insectCount, NumberOfInsectSamples, ProportionalPlantGroupPresence
1, 5, 10, 0.5
2, 3, 10, 0.3
3, 7, 9, 0.6
4, 0, 9, 0.1
Data juga termasuk efek acak untuk lokasi.
Saya memikirkan dua metode, satu akan menjadi model linier ( lmer
) dengan serangga dikonversi ke proporsi misalnya
lmer.model<-lmer(insectCount/NumberOfInsectSamples~
ProportionalPlantGroupPresence+(1|Location),data=Data)
Yang kedua akan menjadi GLMM binomial ( glmer
) misalnya
glmer.model <- glmer(cbind(insectCount,NumberOfInsectSamples-insectCount)~
ProportionalPlantGroupPresence+(1|Location),
data=Data,family="binomial")
Saya percaya binomial glmer menjadi metode yang benar, namun mereka menghasilkan hasil yang sangat berbeda. Saya sepertinya tidak dapat menemukan jawaban yang pasti di internet tanpa merasa sedikit tidak pasti, dan ingin memastikan saya tidak membuat kesalahan.
Setiap bantuan atau wawasan tentang metode alternatif tentang ini akan sangat dihargai.
Jawaban:
GLMM binomial mungkin adalah jawaban yang tepat.
(1|Site)
efek acak Anda akan secara otomatis menangani ini (meskipun lihat Harrison 2015 untuk catatan peringatan)glm(...,family=binomial)
- dalam hal ini Anda juga dapat menggunakan model kuasibinomial (family=quasibinomial
) sebagai cara alternatif yang lebih sederhana dan alternatif untuk memperhitungkan penyebaran berlebihanjika Anda suka, Anda juga dapat menyesuaikan GLMM Anda dengan proporsi sebagai respons, jika Anda menetapkan
weights
argumen untuk sama dengan jumlah sampel:(ini harus memberikan hasil yang identik dengan
glmer()
kecocokan yang Anda miliki dalam pertanyaan Anda).Harrison, Xavier A. " Perbandingan Efek Acak Tingkat Observasi dan Model Beta-Binomial untuk Pemodelan Overdispersi dalam Data Binomial dalam Ekologi dan Evolusi ." PeerJ 3 (21 Juli 2015): e1114. doi: 10.7717 / peerj.1114.
sumber