J'ai corrélé les données et j'utilise un modèle à effets mixtes de régression logistique pour estimer l'effet au niveau individuel (conditionnel) pour un prédicteur d'intérêt. Je sais que pour les modèles marginaux standard, l'inférence sur les paramètres du modèle à l'aide du test de Wald est cohérente pour le rapport de vraisemblance et les tests de score. Ils sont généralement à peu près les mêmes. Parce que le Wald est facile à calculer et disponible en sortie R, je l'utilise 99% du temps.
Cependant, avec un modèle à effets mixtes, j'ai été intrigué de voir une énorme différence entre le test de Wald pour les effets fixes, car ils sont rapportés dans la sortie du modèle dans R, et un test de rapport de vraisemblance «à la main» - qui implique correspond effectivement au modèle réduit. Intuitivement, je peux voir pourquoi cela pourrait faire une énorme différence, car dans le modèle réduit, la variance de l'effet aléatoire est réestimée et peut sensiblement affecter la probabilité.
Quelqu'un peut-il expliquer
- Comment les statistiques du test de Wald sont-elles calculées en R pour les effets fixes?
- Quelle est la matrice d'informations pour les paramètres estimés du modèle dans un modèle à effets mixtes? (et est-ce le même mx à partir duquel les statistiques du test de Wald sont calculées?)
- Quelles sont les différences d'interprétation entre les résultats des deux tests dans les cas que j'ai décrits? lesquels sont généralement motivés et utilisés dans la littérature pour l'inférence?
Réponses:
La statistique de Wald traditionnelle pour tester l'hypothèse H0 Lt = l pour L, rxp et l, rx 1 donnés est donnée par W = (Lt - l) '[L (X'H-1 X) -1 L'] -1 (Lt - l) et asymptotiquement, cette statistique a une distribution chi carré sur r degrés de liberté. Ce sont des tests marginaux, de sorte qu'il y a un ajustement pour tous les autres termes dans la partie fixe du modèle. R est open source
la source