Comment tester la surdispersion dans Poisson GLMM avec lmer () dans R?

12

J'ai le modèle suivant:

> model1<-lmer(aph.remain~sMFS1+sAG1+sSHDI1+sbare+season+crop
  +(1|landscape),family=poisson)

... et voici la sortie récapitulative. 

> summary(model1)
Generalized linear mixed model fit by the Laplace approximation 
Formula: aph.remain ~ sMFS1 + sAG1 + sSHDI1 + sbare + season + crop 
         +      (1 | landscape) 
  AIC  BIC logLik deviance
 4057 4088  -2019     4039
Random effects:
 Groups    Name        Variance Std.Dev.
 landscape (Intercept) 0.74976  0.86588 
Number of obs: 239, groups: landscape, 45

Fixed effects:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept)  2.6613761  0.1344630  19.793  < 2e-16 
sMFS1        0.3085978  0.1788322   1.726  0.08441   
sAG1         0.0003141  0.1677138   0.002  0.99851    
sSHDI1       0.4641420  0.1619018   2.867  0.00415 
sbare        0.4133425  0.0297325  13.902  < 2e-16 
seasonlate  -0.5017022  0.0272817 -18.390  < 2e-16 
cropforage   0.7897194  0.0672069  11.751  < 2e-16
cropsoy      0.7661506  0.0491494  15.588  < 2e-16

                  

Correlation of Fixed Effects:
           (Intr) sMFS1  sAG1   sSHDI1 sbare  sesnlt crpfrg
sMFS1      -0.007                                          
sAG1        0.002 -0.631                                   
sSHDI1      0.000  0.593 -0.405                            
sbare      -0.118 -0.003  0.007 -0.013                     
seasonlate -0.036  0.006 -0.006  0.003 -0.283              
cropforage -0.168 -0.004  0.016 -0.014  0.791 -0.231       
cropsoy    -0.182 -0.028  0.030 -0.001  0.404 -0.164  0.557

Il est probablement trop dispersé, mais comment puis-je calculer exactement cela?

Merci beaucoup.

r poisson-distribution lme4-nlme glmm overdispersion susie
la source
Essayez le qcc.overdispersion.test dans le package qcc .
Penguin_Knight
4
Je ne connais pas très bien l'utilisation du paquetage lme4, mais une façon de savoir s'il y a surdispersion lorsqu'il s'agit d'un modèle de Poisson est de comparer la déviance résiduelle aux degrés de liberté résiduels. Ceux-ci sont supposés être les mêmes, donc si la déviance résiduelle est supérieure aux degrés de liberté résiduels, cela indique une surdispersion. Il y a aussi le test Cameron & Trivedi de l'hypothèse d'équidispersion, mais encore une fois, je ne sais pas si cela peut être effectué par le package lme4.
Graeme Walsh
3
@Penguin_Knight: cela ne semble pas être qcc.overdispersion.testapproprié (il teste la surdispersion dans les données binomiales brutes, pas dans un modèle)
Ben Bolker

Réponses:

4

Parmi de nombreuses autres informations utiles sur GLMM avec lmer () et d'autres logiciels d'adaptation GLMM, consultez la section sur la page Web suivante intitulée Comment puis-je gérer la surdispersion dans les GLMM?

http://glmm.wikidot.com/faq

ndoogan
la source
Il s'agit plus d'un commentaire que d'une réponse. Pourriez-vous l'étendre, peut-être en donnant un résumé des informations sur le lien?
gung - Réintégrer Monica
0

Le package AER (p.33) contient le test Cameron & Trivedi de l'hypothèse d'équidispersion qui peut être utilisée avec les GLM.

AER::dispersiontest(model1)
daszlosek
la source
2
Bien que l'implémentation soit souvent mélangée à un contenu substantiel dans les questions, nous sommes censés être un site pour fournir des informations sur les statistiques, l'apprentissage automatique, etc., pas le code. Il peut également être utile de fournir du code, mais veuillez élaborer votre réponse substantielle dans le texte pour les personnes qui ne lisent pas assez bien cette langue pour reconnaître et extraire la réponse du code.
gung - Réintégrer Monica