Dlaczego Anova () i drop1 () podają różne odpowiedzi dla GLMM?

Mam GLMM w postaci:

lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + 
                (1 | factor3), family=binomial)

Kiedy używam drop1(model, test="Chi"), otrzymuję inne wyniki niż w przypadku korzystania Anova(model, type="III")z pakietu samochodowego lub summary(model). Te dwa ostatnie dają te same odpowiedzi.

Korzystając z wielu sfabrykowanych danych, odkryłem, że te dwie metody zwykle się nie różnią. Dają tę samą odpowiedź dla zrównoważonych modeli liniowych, niezrównoważonych modeli liniowych (gdzie nierówne n w różnych grupach) oraz dla zrównoważonych uogólnionych modeli liniowych, ale nie dla zrównoważonych uogólnionych liniowych modeli mieszanych. Wygląda więc na to, że tylko w przypadkach, w których uwzględniono czynniki losowe, ta niezgodność się objawia.

Dlaczego istnieje rozbieżność między tymi dwiema metodami?
Podczas korzystania GLMM powinien Anova()albo drop1()być wykorzystane?
Różnica między tymi dwoma jest raczej niewielka, przynajmniej dla moich danych. Czy to w ogóle ma znaczenie, który jest używany?

r anova glmm r mixed-model bootstrap sample-size cross-validation roc auc sampling stratification random-allocation logistic stata interpretation proportion r regression multiple-regression linear-model lm r cross-validation cart rpart logistic generalized-linear-model econometrics experiment-design causality instrumental-variables random-allocation predictive-models data-mining estimation contingency-tables epidemiology standard-deviation mean ancova psychology statistical-significance cross-validation synthetic-data poisson-distribution negative-binomial bioinformatics sequence-analysis distributions binomial classification k-means distance unsupervised-learning euclidean correlation chi-squared spearman-rho forecasting excel exponential-smoothing binomial sample-size r change-point wilcoxon-signed-rank ranks clustering matlab covariance covariance-matrix normal-distribution simulation random-generation bivariate standardization confounding z-statistic forecasting arima minitab poisson-distribution negative-binomial poisson-regression overdispersion probability self-study markov-process estimation maximum-likelihood classification pca group-differences chi-squared survival missing-data contingency-tables anova proportion

— tim.farkas
źródło

Myślę, że jest to różnica, które testy są obliczane. car::Anovaużywa testów Walda, podczas drop1gdy model zastępuje pojedyncze terminy. John Fox napisał mi kiedyś, że testy Walda i testy modeli poprawionych przy użyciu testów współczynnika prawdopodobieństwa (tj. Strategii z drop1) zgadzają się na modele liniowe, ale niekoniecznie nieliniowe. Niestety, ta poczta była poza listą i nie zawierała żadnych odniesień. Wiem jednak, że jego książka zawiera rozdział poświęcony testom Walda, który może zawierać pożądane informacje.

Pomoc car::Anovamówi:

Testy typu II są obliczane zgodnie z zasadą marginalności, testując każdy termin po wszystkich innych, z wyjątkiem ignorowania krewnych wyższego rzędu; tak zwane testy typu III naruszają marginesowość, testując każdy termin w modelu po wszystkich pozostałych. Ta definicja testów typu II odpowiada testom opracowanym przez SAS dla modeli analizy wariancji, w których wszystkie predyktory są czynnikami, ale nie bardziej ogólnie (tj. Gdy istnieją predyktory ilościowe). Bądź bardzo ostrożny w formułowaniu modelu dla testów typu III, w przeciwnym razie testowane hipotezy nie będą miały sensu.

Niestety nie mogę odpowiedzieć na drugie lub trzecie pytanie, ponieważ chciałbym o tym wiedzieć.

Zaktualizuj komentarz dotyczący ponownego gromadzenia :

Nie ma testów Wald, LR i F dla uogólnionych modeli mieszanych. Anovapo prostu pozwala "chisq"i "F"testuje modele mieszane (tj. "mer"obiekty zwracane przez lmer). Sekcja użytkowania mówi:

## S3 method for class 'mer'
Anova(mod, type=c("II","III", 2, 3), 
    test.statistic=c("chisq", "F"), vcov.=vcov(mod), singular.ok, ...)

Ponieważ jednak testy F dla merobiektów są obliczane przez pbkrtest, co według mojej wiedzy działa tylko dla liniowych modeli mieszanych, Anovadla GLMM powinny zawsze powracać chisq(stąd nie widać różnicy).

Aktualizacja dotycząca pytania:

Moja poprzednia odpowiedź próbowała odpowiedzieć na twoje główne pytanie, różnicę między Anova()i drop1(). Ale teraz rozumiem, że chcesz sprawdzić, czy pewne ustalone efekty są znaczące, czy nie. R-sig-mieszany modelowanie FAQ mówi co następuje w odniesieniu do tego:

Testy pojedynczych parametrów

Od najgorszego do najlepszego:

Wald Z-testy

Dla zrównoważonych, zagnieżdżonych LMM, w których można obliczyć df: testy t-Wald

Test współczynnika wiarygodności, albo przez skonfigurowanie modelu, aby parametr mógł być izolowany / upuszczany (przez anova lub drop1), lub poprzez obliczanie profili prawdopodobieństwa

MCMC lub parametryczne przedziały ufności bootstrapu

Testy efektów (tj. Sprawdzenie, czy kilka parametrów jest równych zero)

Od najgorszego do najlepszego:

Testy chi-kwadrat Walda (np. Samochód :: Anova)

Test wskaźnika wiarygodności (przez anova lub drop1)

Dla zrównoważonych, zagnieżdżonych LMM, w których można obliczyć df: warunkowe testy F.

Dla LMM: warunkowe testy F z korekcją df (np. Kenward-Roger w pakiecie pbkrtest)

MCMC lub porównania parametryczne lub nieparametryczne, bootstrap (nieparametryczne bootstrapowanie musi być ostrożnie zaimplementowane, aby uwzględnić czynniki grupujące)

(podkreślenie dodane)

Wskazuje to, że podejście do korzystania car::Anova()z GLMM nie jest ogólnie zalecane, ale należy zastosować podejście wykorzystujące MCMC lub bootstrap. Nie wiem, czy pvals.fncz languageRpakietu działa z GLMM, ale warto spróbować.

— Henrik
źródło

Dzięki, Henrik. Anova () może obliczyć trzy różne testy: Wald, LR i F. Próbowałem wszystkich trzech, ale to nie robi różnicy, co wydaje mi się dziwne. Mam wrażenie, że funkcja będzie odmówić używać testów, które zdecyduje nie są odpowiednie dla danych ...

— tim.farkas