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
ในการเปรียบเทียบแบบจำลองฉันใช้anova
ฟังก์ชันและดูความแตกต่างใน 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?
mixed()
ในแพ็คเกจafexของฉัน( เวอร์ชั่นการพัฒนายังมี bootstrap แบบพารามิเตอร์ ) ดูที่นี่สำหรับอ้างอิงบาง
KRmodcomp
pbkrtest
คุณยังสามารถใช้KRmodcomp
โดยตรงเพื่อเปรียบเทียบรุ่น