我想使用二次項來擬合我的一般線性混合模型，其中 id 作為隨機效應，使用 lme4 包。這是關于到定居點的距離如何影響動物出現的概率。我使用以下代碼（我希望它是正確的）：
glmer_dissettl <- glmer(case ~ poly(dist_settlements,2) (1|id), data=rsf.data, family=binomial(link="logit"))
summary(glmer_dissettl)
我得到以下輸出：
Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: case ~ poly(dist_settlements, 2) (1 | id)
Data: rsf.data
AIC BIC logLik deviance df.resid
6179.2 6205.0 -3085.6 6171.2 4654
Scaled residuals:
Min 1Q Median 3Q Max
-3.14647 -0.90518 -0.04614 0.94833 1.66806
Random effects:
Groups Name Variance Std.Dev.
id (Intercept) 0.02319 0.1523
Number of obs: 4658, groups: id, 18
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.02684 0.04905 0.547 0.584
poly(dist_settlements, 2)1 37.94959 2.41440 15.718 <2e-16 ***
poly(dist_settlements, 2)2 -1.28536 2.28040 -0.564 0.573
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) p(_,2)1
ply(ds_,2)1 0.083
ply(ds_,2)2 0.067 0.150
我不知道如何解釋這一點，尤其是 poly(dist_settlements,2) 的兩行。除了理解之外，我還想看看二次項是否使模型比沒有它的基本模型更好。
沒有二次項的基本模型的輸出：
Generalized linear mixed model fit by maximum likelihood
(Laplace Approximation) [glmerMod]
Family: binomial ( logit )
Formula: case ~ scale(dist_settlements) (1 | id)
Data: rsf.data
AIC BIC logLik deviance df.resid
6177.5 6196.9 -3085.8 6171.5 4655
Scaled residuals:
Min 1Q Median 3Q Max
-3.6009 -0.8998 -0.0620 0.9539 1.6417
Random effects:
Groups Name Variance Std.Dev.
id (Intercept) 0.02403 0.155
Number of obs: 4658, groups: id, 18
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.02873 0.04945 0.581 0.561
scale(dist_settlements) 0.55936 0.03538 15.810 <2e-16
(Intercept)
scale(dist_settlements) ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr)
scl(dst_st) 0.077
我感謝每一個提示。
uj5u.com熱心網友回復：
幾點。
- 非線性模型項的系數沒有直接的解釋，您應該制作效果圖以便能夠傳達分析結果。您可以使用
effectPlotData()fromGLMMadaptivepackage 來執行此操作。有關詳細資訊，請參閱此頁面。 - 為了能夠評估是否包含 的二次效應
dist_settlements可以改善模型擬合，您應該擬合沒有平方項的模型（即只有 的線性效應dist_settlements）和具有平方項的模型。然后執行似然比檢驗以評估是否包含復雜項會提高模型擬合度。在 LMM 的情況下，請確保使用最大似然而不是REML 來擬合兩個模型。對于 GLMM，您不必擔心 (RE)ML。 - 隨機截距的方差相當接近 0，這可能需要您注意。有關此主題的更多資訊，請參閱此答案和Ben Bolker 的 github 的這一部分。
您可能想查看Dimitris Rizopoulos 的這個精彩系列講座，了解有關 (G)LMM 的更多資訊。
轉載請註明出處，本文鏈接：https://www.uj5u.com/qukuanlian/420141.html
標籤：
上一篇：如何重現學生表？