我正在运行具有百分比数据的混合效果模型。
我使用高斯分布方法运行我的模型。AIC=-258，我的条件伪 R 平方和边缘伪 R 平方分别为 0.33 和 0.11（非常好！）。我意识到我应该使用二项分布对其进行建模，因为我有百分比。现在，结果非常相似，但我的 AIC=2386 更差，伪 R 平方减少了很多（0.07 条件和 0.02 边际）。
这是说高斯方法更适合数据，因此我应该优先使用它吗？我怎么能证明它是合理的？
我应该更加重视拟合优度还是概念方法？例子
机器算法验证
aic
r平方
咕噜咕噜
2022-04-04 01:36:12
1个回答
这里有一堆问题
您无法比较具有连续数据与计数数据的模型之间的可能性/偏差/AIC，请参见，例如Can WAIC 用于比较具有不同可能性的贝叶斯线性回归模型？.
此外，您是否有离散的 k/n 或连续比例？在任何一种情况下，对原始数据应用 lm 通常不是一个好主意（请参阅在线性回归中使用百分比结果有哪些问题？），至少使用转换（例如，logit 有时用于连续比例，也用于反正弦，但请参阅https://www.ncbi.nlm.nih.gov/pubmed/21560670）。对于 k/n 二项式，最好使用 glm，对于连续比例，通常使用 beta 回归或伪二项式。
关于要做什么的决定——毫无疑问，我会简单地选择数据生成模型，即在 k/n 的情况下用于二项式。检查模型拟合，例如使用DHARMa和 k/n 二项式，您还必须检查过度分散。
其它你可能感兴趣的问题