Proportion de la variance expliquée dans un modèle à effets mixtes

18

Je ne sais pas si cela a été demandé auparavant, mais je n'ai rien trouvé à ce sujet. Ma question est de savoir si quelqu'un peut fournir une bonne référence pour apprendre comment obtenir la proportion de variance expliquée par chacun des facteurs fixes et aléatoires dans un modèle à effets mixtes.

Manuel Ramón
la source
4
Bonne question, mais je n'ai pas (une référence pour) une bonne réponse. Il y a plus d'un niveau de variation dans les modèles mixtes, il y a donc plus d'une composante de la variance à expliquer, et il est difficile de savoir si les effets aléatoires peuvent vraiment `` expliquer '' la variance. Je pense que tout le concept de «proportion de variance expliquée» est moins utile dans les modèles mixtes.
onestop le
Voici un peu plus de discussion sur le sujet: stat.ethz.ch/pipermail/r-sig-mixed-models/2010q1/003363.html
user5475
1
L'approche "Bayesian ANOVA" de Gelmans pourrait également être utile.
N Brouwer

Réponses:

12

Je peux fournir quelques références:

Xu, R. (2003). Mesurer la variation expliquée dans les modèles linéaires à effets mixtes. Statistics in Medicine , 22 , 3527-3541. DOI: 10.1002 / sim.1572

R2

Hössjer, O. (2008). Sur le coefficient de détermination pour les modèles de régression mixte. Journal of Statistical Planning and Inference , 138 , 3022-3038. DOI: 10.1016 / j.jspi.2007.11.010

R2

Bonne lecture!

Wolfgang
la source
5

MuMInR21

#load packages
library(lme4)
library(MuMIn)

#Fit Model
m <- lmer(mpg ~ gear + disp + (1|cyl), data = mtcars)

#Determine R2:
r.squaredGLMM(m) 

       R2m       R2c 
 0.5476160 0.7150239  

La sortie pour la fonction r.squaredGLMMfournit:

  • R2m : valeur R au carré marginale associée à des effets fixes

  • R2c valeur R2 conditionnelle associée aux effets fixes plus les effets aléatoires.

Remarque: un commentaire sur le blog associé suggère qu'une approche alternative inspirée de Nakagawa & Schielzeth développée par Jon Lefcheck (en utilisant la sem.model.fitsfonction dans le piecewiseSEMpackage) a produit des résultats identiques. [Vous avez donc des options: p].

  • Je n'ai pas testé cette dernière fonction, mais j'ai testé la r.squaredGLMM()fonction dans le MuMInpackage et je peux donc attester qu'elle est toujours fonctionnelle aujourd'hui (2018).

  • Quant à la validité de cette approche, je laisse la lecture de Nakagawa & Schielzeth (2013) (et article de suivi Johnson 20142) dépend de vous.


1: Nakagawa, S., et Schielzeth, H. 2013. Une méthode générale et simple pour obtenir R2 à partir de modèles à effets mixtes linéaires généralisés. Méthodes en écologie et évolution 4 (2): 133-142.

2: Johnson, PCD 2014 Extension du R2GLMM de Nakagawa & Schielzeth aux modèles à pentes aléatoires. Méthodes en écologie et évolution 5: 44–946.

le forestier
la source
1
Merci @theforestecologist pour votre réponse. Je vais jeter un œil aux packages mentionnés.
Manuel Ramón