检验混合模型中随机效应的显着性

Question

对于“交叉验证”，这可能 post 更好，所以我也会 post 它，所以如果这超出了这个讨论区的范围，我深表歉意。

我正在使用 lme4 包，想测试随机效应的显着性。我正在使用 RLRsim 包来生成 p 值的估计值，这与 lme4 文档中的建议一致。在 RLRsim 内，我将使用 exactRLRT 来检验随机斜率的显着性。

首先，我估计了完整模型：

data(sleepstudy, package = "lme4")
x <- lme4::lmer(Reaction ~ I(Days-4.5) + (I(Days-4.5)|Subject), 
  data = sleepstudy)

接下来，我想测试随机效应对I(Days-4.5)

的显着性

m0 <- update(x, . ~ . -(I(Days-4.5)|Subject) + (1|Subject))
m.slope  <- update(x, . ~ . - (I(Days-4.5)|Subject) + (0 + I(Days-4.5)|Subject))
#test for subject specific slopes:
exactRLRT(m.slope, x, m0)

但是，这会导致错误消息 Random effects not independent - covariance(s) set to 0 under H0. exactRLRT can only test a single variance.

显然，当随机效应不独立时，我不能使用这种方法。我可以重新指定型号：

mA <- lme4::lmer(Reaction ~ I(Days-4.5) + (1|Subject) + (0 + I(Days-4.5)|Subject), 
  data = sleepstudy)
m0 <- update(mA, . ~ . - (0 + I(Days-4.5)|Subject))
m.slope  <- update(mA, . ~ . - (1|Subject))
#test for subject specific slopes:
exactRLRT(m.slope, mA, m0)

这可以给我一个估计。然而，我的理解是运行作为独立的随机效应是一个与我最初估计的模型根本不同的模型，所以我确信输出的这个 p 值是无效的。

如果随机效应不被假定为独立的，我不确定我能做些什么（如果有的话）来测试随机效应的重要性。我在这里使用 sleepstudy 数据作为示例，但是当我将随机效应估计为独立时，我的实际数据集遇到了收敛问题。

任何对此的见解将不胜感激！

更新

Here 是我 post 在“交叉验证”上编辑的问题的 link。

Answer 1

它要慢得多，但参数引导应该适用于此。（虽然在这种情况下它仍然很快。）

library(pbkrtest)
system.time(pp <- PBmodcomp(largeModel = x, smallModel = m0))
##    user  system elapsed 
##  53.718   0.283  10.967

奇怪的是，它似乎在我的机器上使用了多个内核，我不认为它应该在不询问的情况下这样做...

> pp
Bootstrap test; time: 8.50 sec; samples: 1000; extremes: 0;
large : Reaction ~ I(Days - 4.5) + (I(Days - 4.5) | Subject)
Reaction ~ I(Days - 4.5) + (1 | Subject)
         stat df   p.value    
LRT    42.114  2 7.164e-10 ***
PBtest 42.114     0.000999 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

检验混合模型中随机效应的显着性

Testing for the significance of a random effect in a mixed model

r

lme4

mixed-models

hypothesis-test