Saya menyesuaikan model efek campuran dengan istilah spline dalam aplikasi di mana tren dari waktu ke waktu dikenal sebagai kurva-linier. Namun, apa yang ingin saya nilai adalah apakah tren kurva-linier terjadi karena penyimpangan individu dari linieritas, atau apakah itu efek pada tingkat kelompok yang membuat tingkat kelompok yang sesuai tampak kurva-linier. Saya memberikan contoh yang dapat direproduksi dengan membosankan dataset dari paket JM.
library(nlme)
library(JM)
data(pbc2)
fitLME1 <- lme(log(serBilir) ~ ns(year, 2), random = ~ year | id, data = pbc2)
fitLME2 <- lme(log(serBilir) ~ year, random = ~ ns(year, 2) | id, data = pbc2)
Pada dasarnya saya ingin tahu yang mana yang lebih cocok dengan data saya. Namun perbandingan dengan anova
memberi saya peringatan yang tidak menyenangkan:
Model df AIC BIC logLik Test L.Ratio p-value
fitLME1 1 7 3063.364 3102.364 -1524.682
fitLME2 2 9 2882.324 2932.472 -1432.162 1 vs 2 185.0399 <.0001
Warning message:
In anova.lme(fitLME1, fitLME2) :
fitted objects with different fixed effects. REML comparisons are not meaningful.
Sekarang saya sadar bahwa ada kesulitan membuat perbandingan seperti ini melalui metode kemungkinan maksimum - tetapi apa alternatifnya?
Jawaban:
Seperti yang dikatakan mdewey, kemudian ganti model tanpa metode estimasi REML. Seperti yang dikatakan peringatan, perbandingan tidak berarti ketika Anda memiliki struktur efek tetap yang berbeda.
Masalah selanjutnya adalah bahwa model tidak bersarang sehingga F-test mungkin tidak masuk akal. Anda dapat melihat kriteria informasi. Keduanya mendukung
fitLME2
.sumber