Je révise un document sur la pollinisation, où les données sont distribuées de façon binomiale (le fruit mûrit ou non). J'ai donc utilisé glmer
un effet aléatoire (plante individuelle) et un effet fixe (traitement). Un critique veut savoir si la plante a eu un effet sur la nouaison - mais j'ai du mal à interpréter les glmer
résultats.
J'ai lu sur le Web et il semble qu'il puisse y avoir des problèmes avec la comparaison directe glm
et les glmer
modèles, donc je ne le fais pas. J'ai pensé que la façon la plus simple de répondre à la question serait de comparer la variance à effet aléatoire (1,449, ci-dessous) à la variance totale, ou la variance expliquée par le traitement. Mais comment calculer ces autres variances? Ils ne semblent pas être inclus dans la sortie ci-dessous. J'ai lu quelque chose sur les variances résiduelles non incluses pour le binôme glmer
- comment interpréter l'importance relative de l'effet aléatoire?
> 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
Dans votre cas, vous avez plusieurs mesures par plante, donc une approche rapide et sale consiste à exécuter un modèle avec
PlantID
un effet fixe et à tester cet effet.la source
La réponse simple à votre critique est «Oui». S'il vous demande de tester si la variance de l'effet aléatoire est significativement différente de 0, vous avez deux options. Notez cependant que de nombreuses personnes intelligentes sont mal à l'aise de tester si les variances des effets aléatoires sont différentes de 0.
Le plus simple est un test de rapport de vraisemblance, bien qu'il ne soit pas recommandé par la plupart. Ils sont très conservateurs lors des tests aux limites (c'est-à-dire que vous testez contre une variance de 0 qui est aussi faible que possible). Il existe une règle générale selon laquelle la valeur p est environ le double de ce qu'elle est vraiment.
La méthode recommandée dans la plupart des endroits est un bootstrap paramétrique. Vous pouvez utiliser à
bootMer
partir dulme4
package. Assurez-vous que vous définissez le paramètre REML de votre fonction lmer sur FALSE, sinon votre variance sera supérieure à 0100% du temps (ou proche de celle-ci ... en fait, elle sera probablement supérieure à 0 près de 100% de la temps quand même).Quelques conseils et autres ressources:
http://glmm.wikidot.com/faq (trouver la rubrique Comment puis-je tester si un effet aléatoire est significatif?)
lmer () test d'amorçage paramétrique pour les effets fixes
http://www.r-bloggers.com/using-bootmer-to-do-model-comparison-in-r/
la source
Dans le test Q de Cochran à échantillons multiples , ils utilisent anova pour comparer les résultats des deux modèles (un sans effets aléatoires et un avec effets aléatoires).
Université Jairo Rocha des îles Baléares
la source