J'essaie de comprendre et de savoir quoi rapporter de mon analyse de certaines données en utilisant la moyenne du modèle dans R.
J'utilise le script suivant pour analyser l'effet de la méthode de mesure sur une variable donnée: Voici l'ensemble de données: https://www.dropbox.com/s/u9un273gzw9o30u/VMT4.csv?dl=0
Modèle à monter:
LM.1 <- gls(VMTf ~ turn+sex+method, na.action="na.fail", method = "ML",VMT4)
drague modèle complet
require(MuMIn)
d=dredge(LM.1)
print(d)
coefficients(d)
Obtenir des informations récapitulatives de tous les modèles pour obtenir des estimations de paramètres
summary(model.avg(d))
Je sais que tous les modèles peuvent être moyennés (moyennage complet du modèle) ou juste un sous-ensemble d'entre eux (moyennage conditionnel). Maintenant, je voudrais savoir: quand est-il préférable d'utiliser la moyenne complète ou conditionnelle pour faire des inférences. Que dois-je signaler de tout cela pour un article scientifique? Que signifie exactement la valeur Z et le p associé pour une situation de moyenne de modèle?
Pour faciliter la visualisation de mes questions. Voici le tableau des résultats,
> summary(model.avg(d))# now, there are effects
Call:
model.avg(object = d)
Component model call:
gls(model = VMT ~ <8 unique rhs>, data = VMT4, method = ML, na.action =
na.fail)
Component models:
df logLik AICc delta weight
1 4 -247.10 502.52 0.00 0.34
12 5 -246.17 502.83 0.31 0.29
13 5 -246.52 503.52 1.01 0.20
123 6 -245.60 503.88 1.36 0.17
(Null) 2 -258.62 521.33 18.81 0.00
3 3 -258.38 522.95 20.43 0.00
2 3 -258.60 523.39 20.88 0.00
23 4 -258.36 525.05 22.53 0.00
Term codes:
method sex turn
1 2 3
Model-averaged coefficients:
(full average)
Estimate Std. Error Adjusted SE z value Pr(>|z|)
(Intercept) 42.63521 0.37170 0.37447 113.856 < 2e-16 ***
methodlight chamber -1.05276 0.36098 0.36440 2.889 0.00386 **
methodthermal gradient -1.80567 0.36103 0.36445 4.955 7e-07 ***
sex2 0.19023 0.29403 0.29548 0.644 0.51970
turn 0.05005 0.10083 0.10141 0.494 0.62165
(conditional average)
Estimate Std. Error Adjusted SE z value Pr(>|z|)
(Intercept) 42.6352 0.3717 0.3745 113.856 < 2e-16 ***
methodlight chamber -1.0528 0.3609 0.3643 2.890 0.00386 **
methodthermal gradient -1.8058 0.3608 0.3642 4.958 7.1e-07 ***
sex2 0.4144 0.3089 0.3119 1.328 0.18402
turn 0.1337 0.1264 0.1276 1.047 0.29492
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Relative variable importance:
method sex turn
Importance: 1.00 0.46 0.37
N containing models: 4 4 4
la source
Je pense que la prémisse concernant la différence entre ce que sont exactement les moyennes complètes et conditionnelles est fausse. L'un est une moyenne qui comprend des zéros (complet) et l'autre n'inclut pas de zéros (conditionnel). à partir du fichier d'aide de la commande model.avg ():
Si vous souhaitez utiliser uniquement un sous-ensemble de modèles (basé sur delta AIC par exemple), utilisez l'argument de sous-ensemble dans model.avg (). Vous obtiendrez toujours des estimations conditionnelles et complètes, tant que certains des modèles inclus manquent certaines variables que d'autres ont.
la source