Estou revisando um artigo sobre polinização, onde os dados são distribuídos binomialmente (os frutos amadurecem ou não). Então eu usei glmer
com um efeito aleatório (planta individual) e um efeito fixo (tratamento). Um revisor deseja saber se a planta teve um efeito no conjunto das frutas - mas estou tendo problemas para interpretar oglmer
resultados.
Eu li na web e parece que pode haver problemas com comparação direta glm
e glmer
modelos, por isso não estou fazendo isso. Imaginei que a maneira mais direta de responder à pergunta seria comparar a variação do efeito aleatório (1,444 abaixo) com a variação total ou a variação explicada pelo tratamento. Mas como eu calculo essas outras variações? Eles não parecem estar incluídos na saída abaixo. Li algo sobre as variações residuais não incluídas no binômio glmer
- como interpreto a importância relativa do efeito aleatório?
> summary(exclusionM_stem)
Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID)
AIC BIC logLik deviance df.resid
125.9 131.5 -59.0 117.9 26
Scaled residuals:
Min 1Q Median 3Q Max
-2.0793 -0.8021 -0.0603 0.6544 1.9216
Random effects:
Groups Name Variance Std.Dev.
PlantID (Intercept) 1.449 1.204
Number of obs: 30, groups: PlantID, 10
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.5480 0.4623 -1.185 0.2359
TreatmentD -1.1838 0.3811 -3.106 0.0019 **
TreatmentN -0.3555 0.3313 -1.073 0.2832
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) TrtmnD
TreatmentD -0.338
TreatmentN -0.399 0.509
PlantID
No seu caso, você tem várias medidas por planta, portanto, uma abordagem rápida e suja é executar um modelo com
PlantID
um efeito fixo e testá-lo.fonte
A resposta simples para o seu revisor é "Sim". Se ele está pedindo para você testar se a variação do efeito aleatório é significativamente diferente de 0, você tem algumas opções. Observe, porém, que muitas pessoas inteligentes se sentem desconfortáveis ao testar se as variações de efeitos aleatórios são diferentes de 0.
O mais simples é um teste de razão de verossimilhança, embora não seja recomendado pela maioria. Eles são muito conservadores ao testar nos limites (ou seja, você está testando contra uma variação de 0, o mais baixo possível). Existe uma regra prática lá fora, que o valor de p é aproximadamente o dobro do que realmente é.
O método recomendado na maioria dos lugares é uma inicialização paramétrica. Você pode usar
bootMer
olme4
pacote. Certifique-se de definir o parâmetro REML da sua função lmer como FALSE; caso contrário, sua variação será maior que 0 100% do tempo (ou próximo a ele ... na verdade, provavelmente será maior que 0, quase 100% da Tempo de qualquer maneira).Algumas dicas e outros recursos:
http://glmm.wikidot.com/faq (encontre o cabeçalho Como posso testar se um efeito aleatório é significativo?)
Teste paramétrico de inicialização do lmer () para efeitos fixos
http://www.r-bloggers.com/using-bootmer-to-do-model-comparison-in-r/
fonte
No teste Q de Cochran de amostras múltiplas , eles usam a anova para comparar os resultados dos dois modelos (um sem efeitos aleatórios e outro com efeitos aleatórios).
Universidade Jairo Rocha das Ilhas Baleares
fonte