Mam GLMM z rozkładem dwumianowym i funkcją linku logit i mam wrażenie, że ważny aspekt danych nie jest dobrze reprezentowany w modelu.
Aby to sprawdzić, chciałbym wiedzieć, czy dane są dobrze opisane przez funkcję liniową w skali logit. Dlatego chciałbym wiedzieć, czy reszty są dobrze wychowane. Nie mogę jednak dowiedzieć się, na których wykresach pozostały wykresy i jak interpretować wykresy.
Zauważ, że używam nowej wersji lme4 ( wersja rozwojowa od GitHub ):
packageVersion("lme4")
## [1] ‘1.1.0’
Moje pytanie brzmi: w jaki sposób mogę sprawdzić i zinterpretować pozostałości dwumianowych uogólnionych liniowych modeli mieszanych z funkcją logit link?
Następujące dane stanowią tylko 17% moich rzeczywistych danych, ale dopasowanie zajmuje już około 30 sekund na moim komputerze, więc zostawiam to w ten sposób:
require(lme4)
options(contrasts=c('contr.sum', 'contr.poly'))
dat <- read.table("http://pastebin.com/raw.php?i=vRy66Bif")
dat$V1 <- factor(dat$V1)
m1 <- glmer(true ~ distance*(consequent+direction+dist)^2 + (direction+dist|V1), dat, family = binomial)
Najprostszy wykres ( ?plot.merMod
) daje następujące wyniki:
plot(m1)
Czy to już mi coś mówi?
true ~ distance*(consequent+direction+dist)^2 + (direction+dist|V1)
? Czy oszacowanie dać model współdziałania distance*consequent
, distance*direction
, distance*dist
i nachylenie direction
a dist
, który zmienia się z V1
? Co oznacza kwadrat (consequent+direction+dist)^2
?
Warning message: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, : Model failed to converge with max|grad| = 0.123941 (tol = 0.001, component 1)
. Dlaczego ?
type=c("p","smooth")
sięplot.merMod
lub porusza sięggplot
, jeśli chcesz przedziały ufności) jest to, że wygląda na to, że jest mały, ale znaczący wzór, który cię może być w stanie naprawić, przyjmując inną funkcję łącza. To wszystko na razie ...