机器算法验证 - 广义线性混合模型中的随机效应等于 0 - 吾爱随笔录

广义线性混合模型中的随机效应等于 0

机器算法验证 r 混合模式咕噜咕噜 lme4-nlme

2022-02-16 10:24:16

抱歉，如果我在这里遗漏了一些非常明显的东西，但我是混合效果建模的新手。

我正在尝试将二项式存在/不存在响应建模为周围区域内栖息地百分比的函数。我的固定效果是栖息地的百分比，我的随机效果是地点（我绘制了 3 个不同的农场地点）。

glmmsetaside <- glmer(treat~setas+(1|farm),
       family=binomial,data=territory)

什么时候verbose=TRUE：

0:     101.32427: 0.333333 -0.0485387 0.138083 
1:     99.797113: 0.000000 -0.0531503 0.148455  
2:     99.797093: 0.000000 -0.0520462 0.148285  
3:     99.797079: 0.000000 -0.0522062 0.147179  
4:     99.797051: 7.27111e-007 -0.0508770 0.145384  
5:     99.797012: 1.45988e-006 -0.0495767 0.141109  
6:     99.797006: 0.000000 -0.0481233 0.136883  
7:     99.797005: 0.000000 -0.0485380 0.138081  
8:     99.797005: 0.000000 -0.0485387 0.138083

我的输出是这样的：

Generalized linear mixed model fit by the Laplace approximation 
Formula: treat ~ setasidetrans + (1 | farm) 

AIC   BIC logLik deviance
105.8 112.6  -49.9     99.8
Random effects:
 Groups Name        Variance Std.Dev.
farm   (Intercept)  0        0  
Number of obs: 72, groups: farm, 3

Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept)   -0.04854    0.44848  -0.108    0.914
setasidetrans  0.13800    1.08539   0.127    0.899

Correlation of Fixed Effects:
            (Intr)
setasidtrns -0.851

我基本上不明白为什么我的随机效应是0？是因为随机效应只有3个级别吗？我不明白为什么会这样。我已经尝试过很多不同的模型，结果总是为 0。

这不可能是因为随机效应不能解释任何变化，因为我知道不同农场的栖息地不同。

这是一组使用的示例数据dput：

list(territory = c(1, 7, 8, 9, 10, 11, 12, 13, 14, 2, 3, 4, 5, 
6, 15, 21, 22, 23, 24, 25, 26, 27, 28, 16, 17, 18, 19, 20, 29, 
33, 34, 35, 36, 37, 38, 39, 40, 30, 31, 32, 41, 45, 46, 47, 48, 
49, 50, 51, 52, 42, 43, 44, 53, 55, 56, 57, 58, 59, 60, 61, 62, 
54, 63, 65, 66, 67, 68, 69, 70, 71, 72, 64), treat = c(1, 1, 
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 
0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 
0, 0, 0, 0, 0, 0, 0), farm = c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 
3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3), 
built = c(5.202332763, 1.445026852, 2.613422283, 2.261705833, 
2.168842186, 1.267473928, 0, 0, 0, 9.362387965, 17.55433115, 
4.58020626, 4.739300829, 8.638442377, 0, 1.220760647, 7.979990338, 
13.30789514, 0, 8.685544976, 3.71617163, 0, 0, 6.802926951, 
8.925512803, 8.834006678, 4.687723044, 9.878232478, 8.097800267, 
0, 0, 0, 0, 5.639651095, 9.381654651, 8.801754791, 5.692392532, 
3.865304919, 4.493438554, 4.826277798, 3.650995554, 8.20818417, 
0, 8.169597157, 8.62030666, 8.159474015, 8.608979238, 0, 
8.588288678, 7.185700856, 0, 0, 3.089524893, 3.840381223, 
31.98103158, 5.735501995, 5.297691011, 5.17141191, 6.007539933, 
2.703345394, 4.298077606, 1.469986793, 0, 4.258511595, 0, 
21.07029581, 6.737664009, 14.36176373, 3.056631919, 0, 32.49289428, 
0)

它继续为不同类型的栖息地（例如built,setaside是其中之一）提供大约 10 个列，其中包含百分比。

2个回答

只有三个农场，试图假装您可以将高斯分布拟合到三个点是没有意义的。简单分析一下lm(response~as.factor(farm) + treat+other stuff)，不要理会lmer; 无论如何，您将无法比方差分析做得更好。

一般来说，准确地达到零并不罕见。方差估计是数据的非线性函数，即总体方差与站点内方差之间的差异。如果真实方差为零，则此非线性统计量具有将非零质量置于零左侧的分布（如果真实值是一个小的正数，这也是如此，但采样变异性大到足以超出零）。然而，由于估计器的编程方式（Cholesky 分解），它只能采用非负值。因此，每当无法实现的最佳估计值为零（如在您的设计平衡情况下）或低于它时，对数似然将在零处最大化，其右侧为负梯度。自我与梁 (1987)是问题的标准生物统计参考；我更喜欢更笼统的Andrews (1999) 。

看起来由于实验设计中内置的 Farm 可能没有效果；每个农场恰好有一半经过处理，一半没有经过处理。

> xtabs(~treat+farm, territory)
     farm
treat  1  2  3
    0 14 12 10
    1 14 12 10

将农场作为固定效果拟合并看看会发生什么也可能是有益的；我们看到与构建效果相比，农场效果非常非常小，所以我不会对混合模型中的拟合方差为零感到惊讶。

> m2<-glm(treat~built+factor(farm),family=binomial,data=territory)
> library(car)
> Anova(m2)

Analysis of Deviance Table (Type II tests)

Response: treat
             LR Chisq Df Pr(>Chisq)
built         0.50685  1     0.4765
factor(farm)  0.02008  2     0.9900

其它你可能感兴趣的问题

上一篇什么是 F1 最佳阈值？如何计算它？下一篇如何开始基于成对竞争数据的评分和排名？