嵌套设置中的混合效应模型或多元回归比较

Question

我有一个回复 Y，它是一个介于 0-1 之间的百分比。我的数据按分类学或进化关系嵌套，比如 phylum/genus/family/species，我有一个连续协变量 temp 和一个分类协变量 fac，级别为 fac1 和 fac2。

我有兴趣估价：

fac1 和 fac2（截距）之间的 Y 有区别吗？
fac 的每个级别对 temp 的响应是否不同（线性斜率）
我的分类法的每个级别在 Y 中是否存在差异以及这些差异解释了多少差异（参见 varcomp）
我的分类法的每个级别对 temp 的响应是否不同（线性斜率）

一个蛮力的想法是将我的数据分成最低的分类这里的物种，对每个物种 i 作为 betareg(Y(i)~temp) 进行线性 beta 回归。然后提取每个物种的斜率和截距，并将它们分组到每个 fac 的更高分类水平，并比较斜率（截距）的分布，比如通过 Kullback-Leibler 散度与我在引导我的 Y 值时得到的分布。或者比较分类水平或我的因子 fac respectively.Or 之间斜率（或截距）的分布，只比较分类水平或我的因子水平之间的平均斜率和截距。不确定这是个好主意。也不确定如何回答我的分类水平解释了多少方差的问题，就像在嵌套随机混合效应模型中一样。

另一种选择可能只是那些混合模型，但我怎样才能在一个模型中包含我想测试的所有方面

说我可以使用“gamlss”包来做：

library(gamlss)

model<-gamlss(Y~temp*fac+re(random=~1|phylum/genus/family/species),family=BE)

但在这里我看不到合并随机斜率的方法，或者我可以这样做：

model<-gamlss(Y~re(random=~temp*fac|phylum/genus/family/species),family=BE)

但是对 lme 的内部调用在这方面有一些问题，我猜这不是正确的表示法。有什么方法可以实现我想要测试的结果，不一定是使用 gamlss，而是使用任何其他包含嵌套结构和 beta 回归的包？谢谢！

Answer 1

在 glmmTMB 中，如果您的响应中没有确切的 0 或 1 值，这样的事情应该有效：

library(glmmTMB)
glmmTMB(Y ~ temp*fac + (1 + temp | phylum/genus/family/species),
           data = ...,
           family = beta_family)

如果您的价值观为零，您将需要做一些事情。例如，您可以在 glmmTMB 中添加一个零 inflation 项； brms 可以处理 0-1-inflated Beta 响应；您可以稍微“挤压”0/1 值（请参阅 Smithson 和 Verkuilen 关于 Beta 回归的论文的附录）。如果你只有几个 0/1 值，那么你做什么都无关紧要。如果你有很多，你需要花一些认真的时间思考它们的含义，这将影响你处理它们的方式。它们是否代表审查（即不完全为 0/1 但过于接近边界而无法衡量差异的值）？它们是质量不同的反应吗？等等...)
正如我在评论中所说，计算 GLMM 的方差分量非常棘手 - 不一定是简单的分解，例如参见 here。但是，您可以计算每个分类级别的截距和斜率的方差并进行比较（您可以使用标准差与固定效应的大小进行比较...）
此处给出的模型可能要求很高，具体取决于系统发育的大小 - 例如，您可能在门级没有足够的复制（在这种情况下，您可以适合模型 ~ temp*(fac + phylum) + (1 + temp | phylum:(genus/family/species))，即拉出门效应作为固定效应）。
这是假设您愿意假设 fac 的影响及其与 temp 的相互作用，不系统发育...

嵌套设置中的混合效应模型或多元回归比较

Mixed effect model or multiple regressions comparison in nested setup

r

regression

lme4

mixed-models