[英]Model comparison for glmmTMB objects with beta family
我們正在使用 glmmTMB package 執行 beta 混合效應回歸分析,如下所示:
mod = glmmTMB::glmmTMB(data = data,
formula = rating ~ par1 + par2 + par3 +
(1|subject)+(1|item),
family = glmmTMB::beta_family())
接下來,我們要運行 model 比較——類似於用於“lm”對象的“step”function。 到目前為止,我們從 MuMIn package 中找到了 function 'dredge',它根據標准(例如 BIC)計算嵌套模型的擬合:
MuMIn::dredge(mod, rank = 'BIC', evaluate = T)
OUTPUT:
Model selection table
cnd((Int)) dsp((Int)) cnd(par1) cnd(par2) cnd(par3) df logLik BIC delta weight
2 1.341 + -0.4466 5 2648.524 -5258.3 0.00 0.950
6 1.341 + -0.4466 0.03311 6 2648.913 -5251.3 6.97 0.029
4 1.341 + -0.4468 -0.005058 6 2648.549 -5250.6 7.70 0.020
8 1.341 + -0.4470 -0.011140 0.03798 7 2649.025 -5243.8 14.49 0.001
1 1.321 + 4 2604.469 -5177.9 80.36 0.000
5 1.321 + 0.03116 5 2604.856 -5171.0 87.34 0.000
3 1.321 + -0.001771 5 2604.473 -5170.2 88.10 0.000
7 1.321 + -0.007266 0.03434 6 2604.909 -5163.3 94.98 0.000
但是,我們想知道這些嵌套模型之間的擬合差異是否具有統計學意義。 對於具有正態分布因變量的 lms,我們將使用 anova,但在這里我們不確定它是否適用於具有 beta 分布或 glmmTMB object 的模型。
您可以使用構建器 package使用glmmTMB
模型進行逐步回歸(您也應該閱讀有關逐步回歸的批評)。 但是,對您的問題的簡短回答是實現似然比檢驗的 anova anova()
方法是為嵌套模型的glmmTMB
擬合的成對比較而實現的,並且該理論工作得很好。 一些更重要的假設是:(1)沒有違反 model 假設[獨立性、條件分布的選擇、適當尺度上的線性、隨機效應的正態性等]; (2) 模型是嵌套的,並且應用於同一個數據集; (3) 樣本量足夠大,可以應用漸近方法。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.