Digamos que precisamos dos GLMMs
mod1 <- glmer(y ~ x + A + (1|g), data = dat)
mod2 <- glmer(y ~ x + B + (1|g), data = dat)
Esses modelos não são aninhados no sentido usual de:
a <- glmer(y ~ x + A + (1|g), data = dat)
b <- glmer(y ~ x + A + B + (1|g), data = dat)
então não podemos fazer anova(mod1, mod2)
o que faríamos anova(a ,b)
.
Podemos usar a AIC para dizer qual é o melhor modelo?
fonte
Para referência, um contra-argumento: Brian Ripley afirma em "Seleção entre grandes classes de modelos", pp. 6-7
Ripley, BD 2004. “Selecionando entre Grandes Classes de Modelos.” Em Métodos e Modelos em Estatística , editado por N. Adams, M. Crowder, D.J. Hand e D. Stephens, 155–70. Londres, Inglaterra: Imperial College Press.
Akaike, H. (1973) Teoria da informação e uma extensão do princípio da máxima verossimilhança. No Segundo Simpósio Internacional sobre Teoria da Informação (Eds BN Petrov e F. Cáski), pp. 267–281, Budapeste. Akademiai Kaidó. Reimpresso em Breakthroughs in Statistics , eds Kotz, S. & Johnson, NL (1992), volume I, pp. 599–624. Nova York: Springer.
fonte
Parece que Akaike achou que o AIC era uma ferramenta útil para comparar modelos não aninhados.
(Akaike 1985, pág. 399)
Akaike, Hirotugu. "Previsão e entropia." Papéis selecionados de Hirotugu Akaike. Springer, Nova Iorque, NY, 1985. 387-410.
fonte