如何在線性混合效應模型中找到隨機效應的 p 值？

Question

我在 R 中運行以下代碼行：

model = lme(divedepth ~ oarea, random=~1|deployid, data=GDataTimes, method="REML")
summary(model)

我看到了這個結果：

Linear mixed-effects model fit by REML
  Data: GDataTimes 
      AIC     BIC   logLik
  2512718 2512791 -1256352

Random effects:

 Formula: ~1 | deployid
        (Intercept) Residual
StdDev:    9.426598 63.50004

Fixed effects:  divedepth ~ oarea 
                Value Std.Error     DF   t-value p-value
(Intercept) 25.549003  3.171766 225541  8.055135  0.0000
oarea2      12.619669  0.828729 225541 15.227734  0.0000
oarea3       1.095290  0.979873 225541  1.117787  0.2637
oarea4       0.852045  0.492100 225541  1.731447  0.0834
oarea5       2.441955  0.587300 225541  4.157933  0.0000

[snip]

Number of Observations: 225554
Number of Groups: 9 

但是，我找不到隨機變量的 p 值： deployID 。 我怎樣才能看到這個值？

Answer 1

正如評論中所述， GLMM FAQ 中有關於隨機效應顯着性檢驗的內容。 你絕對應該考慮：

• 為什么你真的對 p 值感興趣（它不是從來不感興趣，但這是一個不尋常的情況）
• 事實上，似然比檢驗對於檢驗方差參數非常保守（在這種情況下，它給出的 p 值大了 2 倍）

這是一個示例，表明lme()擬合和沒有隨機效應的相應lm()模型具有相稱的對數似然（即，它們以可比較的方式計算）並且可以與anova()進行比較：

加載包並模擬數據（零隨機效應方差）

library(lme4)
library(nlme)
set.seed(101)
dd <- data.frame(x = rnorm(120), f = factor(rep(1:3, 40)))
dd$y <- simulate(~ x + (1|f),
                 newdata = dd,
                 newparams = list(beta = rep(1, 2),
                                  theta = 0,
                                  sigma = 1))[[1]]

擬合模型（請注意，您不能將擬合 REML 的模型與沒有隨機效應的模型進行比較）。

m1 <- lme(y ~ x , random = ~ 1 | f, data = dd, method = "ML")
m0 <- lm(y ~ x, data = dd)

測試：

anova(m1, m0)
##    Model df      AIC      BIC    logLik   Test      L.Ratio p-value
## m1     1  4 328.4261 339.5761 -160.2131                            
## m0     2  3 326.4261 334.7886 -160.2131 1 vs 2 6.622332e-08  0.9998

這里的測試正確地識別出兩個模型是相同的，並給出了 1 的 p 值。

如果您使用lme4::lmer而不是lme您還有一些其他更准確（但速度更慢）的選項（用於基於模擬的測試的RLRsim和PBmodcomp包）：請參閱 GLMM FAQ。