Dredge MuMIn:在 GLMM 上使用挖掘机时,空模型是否包含随机效应?
Dredge MuMIn: when using a dredge on a GLMM, does the null model include random effects?
我有一个使用 GLMM 的全局模型,该模型具有 5 个具有交互作用的固定效应,以及两个随机效应。
x ~ a*b + a*c + a*d + a*e + (1|f) + (1|g)
我正在使用信息论方法,并在此全局模型上使用了 MuMIn
中的 dredge()
函数。
空模型排名非常低 (95),我认为这意味着固定效应对系统很重要,因为有 94 种可能的模型组合比随机组合更好。
不过,有同事问null模型有没有包含随机效应,否则,当然很多模型都比null好,因为他们考虑了随机效应的变化,但是null模型不会.
但是,我假设模型仍然会有这些随机效应,只是没有固定效应。这是正确的吗?
是的。
这是一个实验说明,dredge()
仅删除固定效应,将空模型保留为(截距 + 所有随机效应)
library(lme4)
library(MuMIn)
m1 = lmer(Reaction~Days+(Days|Subject),sleepstudy,na.action=na.fail,REML=FALSE)
dd = dredge(m1)
Fixed term is "(Intercept)"
## Global model call: lmer(formula = Reaction ~ Days + (Days | Subject), data = sleepstudy,
## REML = FALSE, na.action = na.fail)
## ---
## Model selection table
## (Intrc) Days df logLik AICc delta weight
## 2 251.4 10.47 6 -875.970 1764.4 0.0 1
## 1 257.8 5 -887.738 1785.8 21.4 0
## Models ranked by AICc(x)
## Random terms (all models):
## ‘Days | Subject’
这里的第一点是打印输出的末尾明确显示了所有项的随机效应。
手动拟合空模型并将 AICc 与上面的 table 进行比较:
m0 <- update(m1, . ~ . - Days)
formula(m0)
## Reaction ~ (Days | Subject)
AICc(m0)
## [1] 1785.821
我有一个使用 GLMM 的全局模型,该模型具有 5 个具有交互作用的固定效应,以及两个随机效应。
x ~ a*b + a*c + a*d + a*e + (1|f) + (1|g)
我正在使用信息论方法,并在此全局模型上使用了 MuMIn
中的 dredge()
函数。
空模型排名非常低 (95),我认为这意味着固定效应对系统很重要,因为有 94 种可能的模型组合比随机组合更好。
不过,有同事问null模型有没有包含随机效应,否则,当然很多模型都比null好,因为他们考虑了随机效应的变化,但是null模型不会.
但是,我假设模型仍然会有这些随机效应,只是没有固定效应。这是正确的吗?
是的。
这是一个实验说明,dredge()
仅删除固定效应,将空模型保留为(截距 + 所有随机效应)
library(lme4) library(MuMIn) m1 = lmer(Reaction~Days+(Days|Subject),sleepstudy,na.action=na.fail,REML=FALSE) dd = dredge(m1) Fixed term is "(Intercept)" ## Global model call: lmer(formula = Reaction ~ Days + (Days | Subject), data = sleepstudy, ## REML = FALSE, na.action = na.fail) ## --- ## Model selection table ## (Intrc) Days df logLik AICc delta weight ## 2 251.4 10.47 6 -875.970 1764.4 0.0 1 ## 1 257.8 5 -887.738 1785.8 21.4 0 ## Models ranked by AICc(x) ## Random terms (all models): ## ‘Days | Subject’
这里的第一点是打印输出的末尾明确显示了所有项的随机效应。
手动拟合空模型并将 AICc 与上面的 table 进行比较:
m0 <- update(m1, . ~ . - Days)
formula(m0)
## Reaction ~ (Days | Subject)
AICc(m0)
## [1] 1785.821