如何报告 nlme 混合效应模型的总体结果
How to report overall results of an nlme mixed effects model
我想报告 nlme 包中单阶乘 lme 的结果。我想知道 A 对 y 的整体影响。为此，我会将模型与 Null 模型进行比较：
m1 <- lme(y~A,random=~1|B/C,data=data,weights=varIdent(form = ~1|A),method="ML")
m0 <- lme(y~1,random=~1|B/C,data=data,weights=varIdent(form = ~1|A),method="ML")
我使用最大似然法是因为我比较的是具有不同主效应的模型。
stats::anova(m0,m1) 给了我一个显着的 p 值，这意味着 A 对 y 有显着影响。然而，与使用 lme4 制作的 lmer 模型相比，没有给出 Chi2 值。第一：这种方法有效吗？第二：报告结果的最佳方式是什么？
感谢您的回答
lme 的方差分析应该为您提供与 lmer 相同的信息。两者都使用所谓的偏差检验或似然比检验。 anova 返回的 table 中的 L.ratio 部分只是两个模型的对数似然之差乘以 -2。偏差测试针对具有模型参数（在您的情况下为 1）自由度差异的 Chi2 分布测试此值。因此，lme 模型在 L.ratio 下报告的值与 lmer 模型报告的 Chi2 值相同（当然假设模型相同，并且 lmer 舍入值到小数）。
该方法有效，您可以报告 L.ratio 下的值以及自由度和 p 值，但我会在您的报告中添加更多信息，例如两者的固定系数和随机系数您添加的模型和其他参数（例如在权重下指定的 A 水平的方差差异）。如果您只对 A 的固定效应感兴趣，那么 Wald 检验也应该是合适的，尽管在小组数量较少的情况下建议使用 REML 估计（Snijders & Bosker，2012）。测试统计量是模型汇总输出中的 t 值和关联的 p 值 summary(m1)。 Snijders & Bosker (2012) 的第 6 章对固定和随机参数的测试给出了很好的解释。连同报告示例。
我想报告 nlme 包中单阶乘 lme 的结果。我想知道 A 对 y 的整体影响。为此，我会将模型与 Null 模型进行比较：
m1 <- lme(y~A,random=~1|B/C,data=data,weights=varIdent(form = ~1|A),method="ML")
m0 <- lme(y~1,random=~1|B/C,data=data,weights=varIdent(form = ~1|A),method="ML")
我使用最大似然法是因为我比较的是具有不同主效应的模型。
stats::anova(m0,m1) 给了我一个显着的 p 值，这意味着 A 对 y 有显着影响。然而，与使用 lme4 制作的 lmer 模型相比，没有给出 Chi2 值。第一：这种方法有效吗？第二：报告结果的最佳方式是什么？
感谢您的回答
lme 的方差分析应该为您提供与 lmer 相同的信息。两者都使用所谓的偏差检验或似然比检验。 anova 返回的 table 中的 L.ratio 部分只是两个模型的对数似然之差乘以 -2。偏差测试针对具有模型参数（在您的情况下为 1）自由度差异的 Chi2 分布测试此值。因此，lme 模型在 L.ratio 下报告的值与 lmer 模型报告的 Chi2 值相同（当然假设模型相同，并且 lmer 舍入值到小数）。
该方法有效，您可以报告 L.ratio 下的值以及自由度和 p 值，但我会在您的报告中添加更多信息，例如两者的固定系数和随机系数您添加的模型和其他参数（例如在权重下指定的 A 水平的方差差异）。如果您只对 A 的固定效应感兴趣，那么 Wald 检验也应该是合适的，尽管在小组数量较少的情况下建议使用 REML 估计（Snijders & Bosker，2012）。测试统计量是模型汇总输出中的 t 值和关联的 p 值 summary(m1)。 Snijders & Bosker (2012) 的第 6 章对固定和随机参数的测试给出了很好的解释。连同报告示例。