Jakie są łatwe do zinterpretowania miary dopasowania do liniowych modeli efektów mieszanych?

Obecnie używam pakietu R. lme4 .

Używam liniowych modeli efektów mieszanych z efektami losowymi:

library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect + 
            # random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects + 
            # random effects

Aby porównać modele, używam anovafunkcji i patrzę na różnice w AIC w stosunku do najniższego modelu AIC:

anova(mod1, mod2, mod3)

Powyższe jest odpowiednie do porównywania modeli.

Potrzebuję jednak również prostego sposobu interpretacji miar dopasowania dla każdego modelu. Czy ktoś ma doświadczenie z takimi środkami? Zrobiłem trochę badań, i są czasopisma na temat kwadratu R dla stałych efektów modeli efektów mieszanych:

• Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA i Muller, KE (2010). Rzeczywista analiza danych podłużnych dla prawdziwych ludzi: zbudowanie wystarczająco dobrego modelu mieszanego. Statystyka w medycynie, 29 (4), 504–520. doi: 10.1002 / sim.3775
• Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF i Schabenberger, O. (2008). Statystyka R2 dla stałych efektów w liniowym modelu mieszanym. Statystyka w medycynie, 27 (29), 6137-6157. doi: 10.1002 / sim.3429

Wydaje się jednak, że istnieje pewna krytyka dotycząca stosowania środków takich jak te zaproponowane w powyższych dokumentach.

Czy ktoś mógłby zasugerować kilka łatwych do interpretacji miar dobroci dopasowania, które mogą mieć zastosowanie do moich modeli?

Nie ma nic takiego jak łatwa do interpretacji miara dopasowania dla liniowych modeli mieszanych :)

Losowego Fit (mod1) może być mierzona ICCi ICC2(stosunek wariancja rozliczony poprzez losowych, a pozostały wariancji). pakiet psychometryczny R zawiera funkcję wyodrębnienia ich z obiektu lme.

Można użyć R2do oceny ustalonego efektu (mod2, mod3), ale może to być trudne: gdy dwa modele pokazują podobny R2, może być tak, że jeden jest bardziej „dokładny”, ale jest maskowany przez jego stały współczynnik ” odejmując „większy komponent wariancji od efektu losowego. Z drugiej strony łatwo jest zinterpretować większy R2 modelu najwyższego rzędu (np. Mod3). W rozdziale o modelach mieszanych Baayen jest miła dyskusja na ten temat. Ponadto samouczek jest bardzo jasny.

Możliwym rozwiązaniem jest rozważenie każdego z nich variance componentniezależnie, a następnie użycie ich do porównania modeli.