J'utilise actuellement le package R lme4 .
J'utilise des modèles à effets mixtes linéaires à effets aléatoires:
library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect +
# random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects +
# random effects
Pour comparer les modèles, j'utilise la anova
fonction et je regarde les différences d'AIC par rapport au modèle AIC le plus bas:
anova(mod1, mod2, mod3)
Ce qui précède convient à la comparaison de modèles.
Cependant, j'ai également besoin d'un moyen simple d'interpréter les mesures de qualité d'ajustement pour chaque modèle. Quelqu'un at-il de l'expérience avec de telles mesures? J'ai effectué des recherches et il existe des articles de revues sur R carré pour les effets fixes de modèles à effets mixtes:
- Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA et Muller, KE (2010). Analyse de données longitudinales réelles pour des personnes réelles: création d'un modèle mixte suffisamment bon. Statistics in Medicine, 29 (4), 504-520. doi: 10.1002 / sim.3775
- Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF et Schabenberger, O. (2008). Une statistique R2 pour les effets fixes dans le modèle mixte linéaire. Statistics in Medicine, 27 (29), 6137-6157. doi: 10.1002 / sim.3429
Il semble toutefois que des critiques soient formulées concernant l'utilisation de mesures telles que celles proposées dans les documents susmentionnés.
Quelqu'un pourrait-il suggérer quelques mesures faciles à interpréter et de qualité de l'ajustement qui pourraient s'appliquer à mes modèles?
mixed()
dans mon paquet afex ( la version de développement a aussi un bootstrap paramétrique ). Voir ici pour quelques références .KRmodcomp
packagepbkrtest
. Vous pouvez également utiliserKRmodcomp
directement pour comparer des modèles.Réponses:
Il n'y a rien de tel qu'une mesure de la qualité de l'ajustement facile à interpréter pour les modèles mixtes linéaires :)
L'ajustement à effets aléatoires (mod1) peut être mesuré par
ICC
etICC2
(le rapport entre la variance prise en compte par les effets aléatoires et la variance résiduelle). psychométrique package R inclut une fonction permettant de les extraire sous forme d’objet lme.Il est possible d’utiliser l’
R2
évaluation d’effet fixe (mod2, mod3), mais cela peut être délicat: lorsque deux modèles affichent un R2 similaire, il se peut que l’un soit plus "précis", mais il est masqué par son facteur fixe " en soustrayant "une composante de variance supérieure à l'effet aléatoire. D'autre part, il est facile d'interpréter un plus grand R2 du modèle le plus élevé (par exemple, mod3). Dans le chapitre de Baayen sur les modèles mixtes, il y a une bonne discussion à ce sujet. En outre, son tutoriel est très clair.Une solution possible consiste à examiner chacun
variance component
séparément, puis à les utiliser pour comparer les modèles.la source