Saya telah mengkorelasikan data dan saya menggunakan model efek campuran regresi logistik untuk memperkirakan efek tingkat individu (kondisional) untuk prediktor minat. Saya tahu bahwa untuk model marginal standar, kesimpulan tentang parameter model menggunakan uji Wald konsisten untuk rasio kemungkinan dan tes skor. Mereka biasanya kurang lebih sama. Karena Wald mudah untuk dihitung dan tersedia dalam output R, saya menggunakannya 99% dari waktu.
Namun, dengan model efek campuran, saya tertarik untuk melihat perbedaan besar antara tes Wald untuk efek tetap, seperti yang dilaporkan dalam output model dalam R, dan uji rasio kemungkinan "dengan tangan" - yang melibatkan sebenarnya pas dengan model yang diperkecil. Secara intuitif, saya bisa melihat mengapa ini mungkin membuat perbedaan besar, karena dalam model yang dikurangi, varians dari efek acak diperkirakan kembali dan secara substansial dapat mempengaruhi kemungkinan.
Bisakah seseorang menjelaskan
- Bagaimana statistik uji Wald dihitung dalam R untuk efek tetap?
- Apa matriks informasi untuk parameter model yang diestimasi dalam model efek campuran? (dan apakah mx yang sama dari mana statistik uji Wald dihitung?)
- Apa perbedaan interpretasi antara hasil dari dua tes dalam kasus yang saya jelaskan? mana yang umumnya dimotivasi dan digunakan dalam literatur untuk inferensi?
sumber
Jawaban:
Statistik Wald tradisional untuk menguji hipotesis H0 Lt = l untuk diberikan L, rxp, dan l, rx 1, diberikan oleh W = (Lt - l) '[L (X'H-1 X) -1 L'] -1 (Lt - l) dan tanpa gejala, statistik ini memiliki distribusi chi-square pada r derajat kebebasan. Ini adalah tes marjinal, sehingga ada penyesuaian untuk semua istilah lain di bagian tetap model. R adalah open source
sumber