Jak zastosować dwumianowy GLMM (glmer) do wartości procentowych zamiast tak-nie ma znaczenia?

Mam eksperyment z powtarzanymi pomiarami, w którym zmienna zależna jest procentem, i mam wiele czynników jako zmienne niezależne. Chciałbym użyć glmerpakietu R, lme4aby potraktować go jako problem z regresją logistyczną (poprzez określenie family=binomial), ponieważ wydaje się, że bezpośrednio dostosowuje się on do tej konfiguracji.

Moje dane wyglądają tak:

 > head(data.xvsy)
   foldnum      featureset noisered pooldur dpoolmode       auc
 1       0         mfcc-ms      nr0       1      mean 0.6760438
 2       1         mfcc-ms      nr0       1      mean 0.6739482
 3       0    melspec-maxp    nr075       1       max 0.8141421
 4       1    melspec-maxp    nr075       1       max 0.7822994
 5       0 chrmpeak-tpor1d    nr075       1       max 0.6547476
 6       1 chrmpeak-tpor1d    nr075       1       max 0.6699825

a oto polecenie R, które miałem nadzieję, że będzie odpowiednie:

 glmer(auc~1+featureset*noisered*pooldur*dpoolmode+(1|foldnum), data.xvsy, family=binomial)

Problem polega na tym, że polecenie narzeka na to, że moja zmienna zależna nie jest liczbą całkowitą:

In eval(expr, envir, enclos) : non-integer #successes in a binomial glm!

a analiza tych (pilotażowych) danych daje w rezultacie dziwne odpowiedzi.

Rozumiem, dlaczego binomialrodzina oczekuje liczb całkowitych (tak-nie ma znaczenia), ale wydaje się, że bezpośrednia regresja danych procentowych powinna być OK. Jak to zrobić?

Aby użyć wektora proporcji jako zmiennej odpowiedzi z glmer(., family = binomial), musisz ustawić liczbę prób, które doprowadziły do ​​każdej proporcji za pomocą weightsargumentu. Na przykład za pomocącbpp danych z lme4pakietu:

glmer(incidence / size ~ period + (1 | herd), weights = size,
   family = binomial, data = cbpp)

Jeśli nie znasz całkowitej liczby prób, model dwumianowy nie jest odpowiedni, jak wskazano w komunikacie o błędzie.

$(0,1)$