อะไรคือความง่ายในการตีความความดีของการวัดขนาดพอดีสำหรับโมเดลเอฟเฟ็กต์แบบผสมเชิงเส้น

ฉันกำลังใช้แพคเกจ R lme4

ฉันกำลังใช้โมเดลเอฟเฟกต์แบบผสมเชิงเส้นที่มีเอฟเฟกต์แบบสุ่ม:

library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect + 
            # random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects + 
            # random effects

ในการเปรียบเทียบแบบจำลองฉันใช้anovaฟังก์ชันและดูความแตกต่างใน AIC เทียบกับแบบจำลอง AIC ต่ำสุด:

anova(mod1, mod2, mod3)

ด้านบนเป็นสิ่งที่ดีสำหรับการเปรียบเทียบรุ่น

อย่างไรก็ตามฉันยังต้องการวิธีง่ายๆในการตีความความดีของการวัดขนาดพอดีสำหรับแต่ละรุ่น ใครบ้างมีประสบการณ์กับมาตรการดังกล่าวบ้างไหม? ฉันได้ทำการวิจัยบางอย่างแล้วและมีวารสารที่ R กำลังสองสำหรับผลกระทบคงที่ของแบบผสมลักษณะพิเศษ:

• เฉิง, เจ, เอ็ดเวิร์ดส์, LJ, มัลโดนาโด - โมลินา, MM, โคโมร, KA, & มุลเลอร์, KE (2010) การวิเคราะห์ข้อมูลระยะยาวที่แท้จริงสำหรับคนจริง: การสร้างแบบผสมที่ดีพอ สถิติทางการแพทย์, 29 (4), 504-520 ดอย: 10.1002 / sim.3775
• Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF, & Schabenberger, O. (2008) สถิติ R2 สำหรับเอฟเฟกต์คงที่ในตัวแบบผสมแบบเชิงเส้น สถิติทางการแพทย์, 27 (29), 6137-6157 ดอย: 10.1002 / sim.3429

อย่างไรก็ตามดูเหมือนว่ามีการวิพากษ์วิจารณ์บางอย่างเกี่ยวกับการใช้มาตรการเช่นที่เสนอในเอกสารข้างต้น

มีคนช่วยแนะนำสักสองสามข้อในการตีความง่ายความดีของมาตรการฟิตที่สามารถนำไปใช้กับแบบจำลองของฉันได้หรือไม่?

ไม่มีสิ่งใดที่ง่ายต่อการตีความความดีของขนาดพอดีสำหรับโมเดลเชิงเส้นเชิงเส้น :)

การปรับเอฟเฟกต์แบบสุ่ม (mod1) สามารถวัดได้โดยICCและICC2(อัตราส่วนระหว่างความแปรปรวนที่คิดโดยเอฟเฟกต์แบบสุ่มและความแปรปรวนที่เหลือ) แพ็คเกจpsychometric R ประกอบด้วยฟังก์ชั่นในการแตกไฟล์ออกมาเป็นวัตถุ lme

เป็นไปได้ที่จะใช้R2ในการประเมินผลคงที่ (mod2, mod3) แต่สิ่งนี้อาจเป็นเรื่องยุ่งยาก: เมื่อสองรุ่นแสดง R2 ที่คล้ายกันอาจเป็นกรณีที่มี "ความถูกต้อง" มากกว่า การลบ "องค์ประกอบความแปรปรวนที่มากขึ้นสำหรับเอฟเฟกต์แบบสุ่ม ในทางกลับกันมันง่ายที่จะตีความ R2 ที่สูงกว่าของโมเดลลำดับสูงสุด (เช่น mod3) ในบทของ Baayen เกี่ยวกับแบบจำลองต่าง ๆ มีการพูดคุยกันเกี่ยวกับเรื่องนี้ นอกจากนี้การสอนมีความชัดเจนมาก

ทางออกที่เป็นไปได้คือการพิจารณาแต่ละvariance componentอย่างแยกกันจากนั้นใช้เพื่อเปรียบเทียบแบบจำลอง