简短版本：

1) 是否有任何已发表的对将用于 GLMM 的批评，特别是Nakagawa & Schielzeth (2013)的流行方法 from generalized linear mixed-effects models$R^2$$R^2$

2）大多数读者是否会从中受益，或者该统计数据的复杂性是否使它们不是很有用？$R^2$

长版：使用Nakagawa & Schielzeth (2013)的方法 报告已变得非常流行（截至 2017 年春季引用 1774）。他们提出了一种计算与固定效应相关与随机效应无关）和整个模型的 R^2（以随机效应为条件）。$R^2$$R^2$$R^2$$R^2$$R^2$

然而，对于计算的复杂性以及定义它时出现的矛盾，特别是来自 lme4 开发人员 Doug Bates 进行了重要的讨论。（请参阅此处获取粘贴到简历回复中的 Bates 引用，以及此处查看列表服务中的回复。这些问题也在GLMM wiki中进行了审查）。尽管进行了一般性讨论，但我不知道对 Nakagawa & Schielzeth (2013) 有任何特别的批评。$R^2$

一位审阅者要求我报告一些分层模型的边际值。然而，我认为主要是在建模时查看的有用诊断，但对读者的价值有限 - 或者更糟糕的是，甚至可能会产生误导。$R^2$$R^2$特别是我不愿意为我的 GLMM 报告，因为随机效应（R2.M）边缘的固定效应值很小（<0.10），因为我的随机效应水平之间存在大量变化（ R2.M 的定义见下文）。从所有其他方面来看，我对模型很满意，我认为不会为读者提供相关信息；数据将被公布，任何人都想自己计算。$R^2$$R^2$

我认为我论文的大多数读者在查看这些数字时会对低的主要原因，我担心我的结果会因为这些小而打折。和模型“重要性”的其他度量之间的紧张关系由 Nakagawa & Schielzeth (2013) 简要提及，但没有深入研究；请参阅下面他们论文中的示例；这里在 CV 上描述了一种有点类似的情况，尽管在这种情况下，较低且参数不重要）。$R^2$$R^2$$R^2$$R^2$$R^2$

正如我所看到的，固定效应的低边际和整体模型的高条件只是告诉我，在我的模型中代表的时间、个人和地点之间存在很多差异。同样，如果这是一个阻塞实验，低边际和高条件会告诉我阻塞是一个好主意并且完成了它的工作。$R^2$$R^2$$R^2$$R^2$

因此，我的问题是 1) 是否有任何已发表的对 Nakagawa & Schielzeth (2013) 或类似方法的批评，以及 2) 回应审稿人的最原则性方法是什么。

为了回复评论，我看到我的选项如下（不相互排斥）：

1. 添加到论文中，然后根据我的随机效应的方差量解释如何解释它们。$R^2$
2. 将仅截距模型中的 AIC 添加到论文中作为拟合度量。讨论（至少对编辑）AIC 表明尽管较低，但通过包含固定效应来改进模型。$R^2$
3. 向编辑/审阅者证明我目前的方法（p 值、CI、效应大小、模型预测与原始数据的图）是足够的，并为他们提供 Bates 和其他人关于 R2 限制的评论的链接。 GLMM，以及的一般问题（即，在CV 上）。$R^2$

下面我更精确地为 GLMM 定义 ，并展示了原始 Nakagawa & Schielzeth (2013) 中低边际$R^2$$R^2$

示例：Nakagawa & Schielzeth (2013) 的二项式模型中的$R^2$

边际定义为$R^2$

R2.GLMM.M = (var.f)/(var.f + var.random.effects + var.residual + var.dist)

其中 var.f 是拟合模型的预测方差，var.dist 是特定于不同 GLM 分布的术语。

Conditional (R2.GLMM.C) 定义类似，只是将随机效应的方差加到分母上，得到模型解释的总体方差比例。$R^2$

N&S 分析模拟二项式和泊松数据，以检查栖息地和假设治疗对甲虫生物学的影响；他们报告相对较低的 R2.M 分别为 0.077 和 0.0976（结果转载如下）。然后他们注意到：

“与 R2.GLMM.C 值相比，R2.GLMM.M 值 [由固定效应解释的方差] 相对较小 (8-10%) ...[但是] 重要的是要注意处理和栖息地 [固定]影响具有统计学意义……然而，大部分数据变异性与残差一起存在于随机效应中……请注意，R2.GLMM.M 和 R2.GLMM.C 值之间的差异反映了在“

我同意他们的观点，即研究人员可以获得“对数据集的额外洞察力”，但不确定读者是否会理解该结果的复杂性，即“大部分数据可变性......存在于随机效应中”。

library(lme4); library(rptR); library(piecewiseSEM)
data(BeetlesMale)

#Null model
m0 <- glmer(Colour ~ 1 + (1|Population) + (1|Container), 
            family = "binomial", data = BeetlesMale)
#Full model
mF <- update(m0, . ~ . + Treatment + Habitat)

#R2.GLMM
sem.model.fits(list(m0,mF))[,c(5:8)]

  Marginal Conditional AIC dAIC
1   0.0000       0.223 602 29.2
2   0.0777       0.311 573  0.0