J'adapte un modèle d'effets mixtes avec un terme spline dans une application où la tendance dans le temps est connue pour être curvi-linéaire. Cependant, ce que je voudrais évaluer, c'est si la tendance curvilinéaire se produit en raison de la déviation individuelle de la linéarité, ou est-ce un effet au niveau du groupe qui fait qu'un ajustement au niveau du groupe semble curvilinéaire. Je donne un exemple reproductible ennuyeux d'un ensemble de données du package JM.
library(nlme)
library(JM)
data(pbc2)
fitLME1 <- lme(log(serBilir) ~ ns(year, 2), random = ~ year | id, data = pbc2)
fitLME2 <- lme(log(serBilir) ~ year, random = ~ ns(year, 2) | id, data = pbc2)
Essentiellement, je veux savoir lequel d'entre eux correspond le mieux à mes données. Cependant, la comparaison par anovame donne un avertissement inquiétant:
Model df AIC BIC logLik Test L.Ratio p-value
fitLME1 1 7 3063.364 3102.364 -1524.682
fitLME2 2 9 2882.324 2932.472 -1432.162 1 vs 2 185.0399 <.0001
Warning message:
In anova.lme(fitLME1, fitLME2) :
fitted objects with different fixed effects. REML comparisons are not meaningful.
Maintenant, je suis conscient qu'il est difficile de faire ce genre de comparaisons via des méthodes de maximum de vraisemblance - mais quelle est l'alternative?
Réponses:
Comme le dit mdewey, remontez le modèle sans la méthode d'estimation REML. Comme le dit l'avertissement, les comparaisons n'ont pas de sens lorsque vous avez différentes structures d'effets fixes.
Le problème suivant est que les modèles ne sont pas imbriqués, le test F n'a donc probablement aucun sens. Vous pouvez regarder les critères d'information. Les deux sont favorables
fitLME2.la source