我目前正在运行一系列零膨胀负二项式模型，研究各种天气参数的变化幅度和方向对昆虫行为的影响（表示为在设定的时间段内记录行为的次数）曝光后的时间）。我目前的模型正在检查生育力，如下所示。随机效应都是分类的，并且对应于记录行为的日期和实验室中雄性的饲养条件。

model2<-glmmTMB(No.eggs.laid~Change.6hrs*Direction.6hrs + (1|Day) + (1|Sex.ratio.line.male), family = "nbinom1",ziformula = ~Change.6hrs*Direction.6hrs + (1|Day) + (1|Sex.ratio.line.male), data = charlotte.egg)

这是我的模型的摘要输出：

Family: nbinom1  ( log )
Formula:          
No.eggs.laid ~ Change.6hrs * Direction.6hrs + (1 | Day) + (1 |  
    Sex.ratio.line.male)
Zero inflation:                
~Change.6hrs * Direction.6hrs + (1 | Day) + (1 | Sex.ratio.line.male)
Data: charlotte.egg

     AIC      BIC   logLik deviance df.resid 
  2980.0   3033.3  -1477.0   2954.0      430 

Random effects:

Conditional model:
 Groups              Name        Variance  Std.Dev. 
 Day                 (Intercept) 1.316e-02 1.147e-01
 Sex.ratio.line.male (Intercept) 8.032e-10 2.834e-05
Number of obs: 443, groups:  Day, 7; Sex.ratio.line.male, 10

Zero-inflation model:
 Groups              Name        Variance Std.Dev.
 Day                 (Intercept) 0.58920  0.7676  
 Sex.ratio.line.male (Intercept) 0.01893  0.1376  
Number of obs: 443, groups:  Day, 7; Sex.ratio.line.male, 10

Overdispersion parameter for nbinom1 family (): 5.42 

Conditional model:
                                   Estimate Std. Error z value
(Intercept)                         2.92753    0.11709  25.003
Change.6hrs                        -0.26768    0.12984  -2.062
Direction.6hrsIncrease             -0.06377    0.13621  -0.468
Change.6hrs:Direction.6hrsIncrease  0.23991    0.15250   1.573
                                   Pr(>|z|)    
(Intercept)                          <2e-16 ***
Change.6hrs                          0.0392 *  
Direction.6hrsIncrease               0.6397    
Change.6hrs:Direction.6hrsIncrease   0.1157    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Zero-inflation model:
                                   Estimate Std. Error z value
(Intercept)                         -0.9118     0.6278  -1.452
Change.6hrs                         -2.9058     1.3911  -2.089
Direction.6hrsIncrease              -0.8555     0.6355  -1.346
Change.6hrs:Direction.6hrsIncrease   3.3083     1.4543   2.275
                                   Pr(>|z|)  
(Intercept)                          0.1464  
Change.6hrs                          0.0367 *
Direction.6hrsIncrease               0.1783  
Change.6hrs:Direction.6hrsIncrease   0.0229 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

关于这个模型的输出，我有几个问题：

1. 零通胀模型实际上代表什么？
2. 这些 p 值是否足以解释模型，或者是否需要完成进一步的显着性统计检验才能推断变量之间的关系？
3. 使用这种类型的模型，您将如何确定随机效应的重要性？对于非零膨胀模型，我可以通过使用 anova() 函数来比较具有和不具有特定随机效应的模型，但是当我尝试这样做时，只会生成一个 p 值。因此，我不确定这是否与有条件或零通胀模型有关。