Comparando modelos de efeitos mistos e efeitos fixos (testando a significância dos efeitos aleatórios)

Dadas três variáveis, ye x, que são positivas contínuas e z, que são categóricas, tenho dois modelos candidatos dados por:

fit.me <- lmer( y ~ 1 + x + ( 1 + x | factor(z) ) )

fit.fe <- lm( y ~ 1 + x )

Espero comparar esses modelos para determinar qual modelo é mais apropriado. Parece-me que, em certo sentido, fit.feestá aninhado por dentro fit.me. Normalmente, quando esse cenário geral ocorre, um teste qui-quadrado pode ser realizado. Em R, podemos executar este teste com o seguinte comando,

anova(fit.fe,fit.me)

Quando ambos os modelos contêm de efeitos aleatórios (gerados por lmerdo lme4pacote), o anova()comando funciona bem. Devido aos parâmetros de contorno, normalmente é aconselhável testar a estatística resultante do qui-quadrado via simulação, no entanto, ainda podemos usar a estatística no procedimento de simulação.

Quando os dois modelos contêm apenas efeitos fixos, essa abordagem - e o anova()comando associado - funcionam bem.

No entanto, quando um modelo contém efeitos aleatórios e o modelo reduzido contém apenas efeitos fixos, como no cenário acima, o anova()comando não funciona.

Mais especificamente, eu recebo o seguinte erro:

 > anova(fit.fe, fit.me)
 Error: $ operator not defined for this S4 class

Há algo de errado em usar a abordagem Chi-Square de cima (com simulação)? Ou isso é simplesmente um problema de anova()não saber lidar com modelos lineares gerados por diferentes funções?

Em outras palavras, seria apropriado gerar manualmente a estatística do qui-quadrado derivada dos modelos? Em caso afirmativo, quais são os graus de liberdade adequados para comparar esses modelos? Pela minha conta:

F = \frac{((S S E_{r e d você c e d} - S S E_{f você eu eu}) / (p - k))}{((S S E_{f você eu eu}) / (n - p - 1 1))} \sim F_{p - k, n - p - 1 1}

$F = \frac{\left((SSE_{reduced}-SSE_{full})/(p-k)\right)}{\left((SSE_{full})/(n-p-1)\right)} \sim F_{p-k,n-p-1}$

Estamos estimando dois parâmetros no modelo de efeitos fixos (inclinação e interceptação) e mais dois parâmetros (parâmetros de variação para a inclinação aleatória e interceptação aleatória) no modelo de efeitos mistos. Tipicamente, o parâmetro de intercepção não é contado nos graus de liberdade computação, de modo que implica que e ; tendo dito que não tenho certeza se os parâmetros de variação para os parâmetros de efeitos aleatórios devem ser incluídos nos cálculos dos graus de liberdade; as estimativas de variância para parâmetros de efeito fixo não são consideradas , mas acredito que seja porque as estimativas de parâmetro para efeitos fixos são consideradas constantes desconhecidas enquanto são consideradas variáveis aleatórias desconhecidas $k=1$ $p=k+2=3$ para efeitos mistos. Eu gostaria de receber alguma ajuda sobre esse assunto.

Finalmente, alguém tem uma Rsolução ( baseada em) mais apropriada para comparar esses modelos?

r hypothesis-testing mixed-model lme4-nlme user9171
fonte

Se você substituir lm()por gls()do nlmepacote e lmer()por lme()(novamente do nlmepacote), tudo funcionará bem. Mas observe que você obterá um teste conservador (valores- p muito grandes ), pois os parâmetros para o modelo mais simples estão no limite do espaço de parâmetros. E realmente a escolha de incluir os efeitos aleatórios deve basear-se na teoria (por exemplo, no plano de amostragem), não em um teste estatístico.

Karl Ove Hufthammer 14/03

O que você quer fazer com os modelos? Um modelo pode ser melhor para alguns propósitos e o outro modelo para outros fins. Todos os modelos estão errados; portanto, a questão não é qual modelo está certo, mas qual é mais útil para o seu problema específico.

Kodiologist

@ Kodiologist Basicamente, quero garantir que as estimativas de parâmetros para os efeitos fixos sejam confiáveis. Os erros padrão podem não ser confiáveis se as observações forem consideradas independentes. Além disso, seria bom fazer uma declaração sobre como a variável é o efeito aleatório, mas acho que isso não é tão essencial.

user9171

@ user9171 Uma boa maneira de verificar a estabilidade (confiabilidade) nas estimativas de parâmetros de um modelo é usar a inicialização. Faça o gráfico das distribuições de inicialização para cada parâmetro que os dois modelos compartilham, com um gráfico por parâmetro e modelo. Distribuições mais apertadas implicam maior estabilidade. Você provavelmente descobrirá que o modelo mais simples gera estimativas mais estáveis, porque menos parâmetros permitem uma estimativa mais precisa de cada parâmetro.

Kodiologist

Comparando modelos de efeitos mistos e efeitos fixos (testando a significância dos efeitos aleatórios)

Respostas: