我有两个模型（所有变量都是计数变量）：
frm.ct <- glmer(frm ~ age + education + socialrole +
offset(log(words)) + (1|subkorpus), family=negative.binomial(1),
data=daten.alle.kom)
frm.oage <- glmer(frm ~ education + socialrole +
offset(log(words)) + (1|subkorpus), family=negative.binomial(1),
data=daten.alle.kom)
我用它来比较它们：
anova(frm.ct, frm.oage)
AIC 值告诉我这frm.oage是更好的模型，对吗？但是 0.0452 和 0.8315 是什么意思？
该Chisq值是应用于两个模型的似然比检验 (LRT) 的检验统计量。该值计算为两个模型的对数似然差异的两倍（对数似然在列中logLik）。渐近地，对数似然比服从卡方分布，其自由度等于两个模型的自由度之差；这是并显示在列中。因此，如果两个模型等效，则观察到与观察到的 ( ) 值一样极端的检验统计量的概率可以从该卡方分布中计算出来。这个概率就是值。Chi Df0.04520.8315
您可以自己计算为
> pchisq(0.0452, df = 1, lower.tail=FALSE)
[1] 0.8316367
（这不太匹配，因为我使用了打印到控制台的舍入值，而软件将使用更高的精度。）
更实际地说，这只是重申了您对您通过 AIC 制作的两个模型的相对优点的解释。两个模型的对数似然几乎完全相等，表明这两个模型在拟合数据方面做了类似的工作。LRT 告诉您，如果两个模型提供相同的拟合，您很可能会观察到Chisq与报告的统计量一样大的检验统计量 ( )。因此，您无法拒绝两个模型的可能性相等的原假设。
frm.oage是“更好”的，因为它与具有更少参数的更复杂模型一样好。两种型号的 AIC 相差近 2 个 AIC 单位；也就是说，根据 AIC 的定义，如果您在模型中添加了一个没有额外解释能力的冗余参数，您会期望什么
这并不意外。AIC 是根据模型的对数似然计算得出的。两个模型的“拟合”比较的所有指标是它们本质上是相同的。