REML बनाम एमएल stepAIC


10

मैं अपने मिश्रित मॉडल विश्लेषण को चलाने के लिए साहित्य में खुदाई करने का प्रयास करने के बाद अभिभूत महसूस करता हूं कि एआईसी का उपयोग करने के साथ सबसे अच्छा मॉडल या मॉडल का चयन करने के बाद। मुझे नहीं लगता कि मेरा डेटा इतना जटिल है, लेकिन मैं इस बात की पुष्टि कर रहा हूं कि मैंने जो किया है वह सही है, और फिर आगे बढ़ने की सलाह दें। मैं अनिश्चित हूं कि मुझे lme या lmer का उपयोग करना चाहिए और फिर उन दोनों के साथ, यदि मुझे REML या ML का उपयोग करना चाहिए।

मेरे पास चयन का एक मूल्य है और मैं जानना चाहता हूं कि कौन से कोवरिएट्स उस मूल्य को सबसे अच्छा प्रभावित करते हैं और भविष्यवाणियों के लिए अनुमति देते हैं। यहाँ मेरे परीक्षण के लिए कुछ उदाहरण दिए गए डेटा और मेरे कोड हैं जिनके साथ मैं काम कर रहा हूं:

ID=as.character(rep(1:5,3))
season=c("s","w","w","s","s","s","s","w","w","w","s","w","s","w","w")
time=c("n","d","d","n","d","d","n","n","n","n","n","n","d","d","d")
repro=as.character(rep(1:3,5))
risk=runif(15, min=0, max=1.1)
comp1=rnorm(15, mean = 0, sd = 1)
mydata=data.frame(ID, season, time, repro, risk, comp1)
c1.mod1<-lmer(comp1~1+(1|ID),REML=T,data=mydata)
c1.mod2<-lmer(comp1~risk+(1|ID),REML=T,data=mydata)
c1.mod3<-lmer(comp1~season+(1|ID),REML=T,data=mydata)
c1.mod4<-lmer(comp1~repro+(1|ID),REML=T,data=mydata)
c1.mod5<-lmer(comp1~time+(1|ID),REML=T,data=mydata)
c1.mod6<-lmer(comp1~season+repro+time+(1|ID),REML=T,data=mydata)
c1.mod7<-lmer(comp1~risk+season+season*time+(1|ID),REML=T,data=mydata)

मेरे पास ~ 19 मॉडल हैं जो इस डेटा को विभिन्न संयोजनों के साथ और एक 2 तरह से बातचीत की शर्तों तक खोजते हैं, लेकिन हमेशा एक यादृच्छिक प्रभाव के रूप में आईडी के साथ और मेरे आश्रित चर के रूप में comp1।

  • Q1। कौन सा उपयोग करें? लम या लमर? फर्क पड़ता है क्या?

इन दोनों में, मेरे पास ML या REML का उपयोग करने का विकल्प है - और मुझे बहुत अलग-अलग उत्तर मिलते हैं - AIC द्वारा अनुसरण किए गए ML का उपयोग करते हुए मैं सभी समान AIC मानों के साथ 6 मॉडल समाप्त करता हूं और मॉडल संयोजन का कोई मतलब नहीं है, जबकि REML 2 सबसे अधिक संभावना मॉडल में परिणाम सबसे अच्छा है। हालाँकि, जब REML चल रहा है मैं किसी भी लंबे समय तक aova का उपयोग नहीं कर सकता।

  • Q2। एवीओएए के साथ एमएमएल का उपयोग करने का मुख्य कारण क्या है? यह मेरे लिए स्पष्ट नहीं है।

मैं अभी भी stepAIC को चलाने में सक्षम नहीं हूं या मुझे उन 19 मॉडलों को संकीर्ण करने का एक और तरीका नहीं पता है।

  • Q3। क्या इस बिंदु पर stepAIC का उपयोग करने का कोई तरीका है?

3
Q2 के लिए, एमएल आवश्यक है क्योंकि निश्चित प्रभाव में परिवर्तन होने पर REML का उपयोग करने वाली तुलना मान्य नहीं है। एक संभावित उपयोगी संबंधित प्रश्न यहां है: आंकड़े
हारून ने स्टैक ओवरफ्लो

@ अरोन मैंने पहले उस सवाल को देखा था, लेकिन अभी भी उलझन में था। यादृच्छिक प्रभाव में परिवर्तन होने पर केवल REML का उपयोग करें? मुझे स्पष्ट रूप से पर्याप्त एमएल बनाम REML समझ में नहीं आता है। हालांकि धन्यवाद, कि मेरे सवालों में से एक के साथ मदद करता है!
केरी

हां यह सही है। मॉडल की तुलना करते समय, REML का उपयोग केवल तभी किया जाना चाहिए जब मॉडल में समान प्रभाव हो। उत्तर का विस्तार नीचे दिया गया है।
हारून ने

जवाबों:


16

Q1। कौन सा उपयोग करें? लम या लमर? फर्क पड़ता है क्या? कुछ भी चलेगा। वे आपको वही फील देंगे। lmeआपको पी-वैल्यू देंगे, और lmerनहीं देंगे, लेकिन इससे कहीं अधिक है कि मैं यहां आना चाहता हूं। सबसे प्रसिद्ध संदर्भ डॉग बेट्स की पोस्ट से लेकर आर-मेलिंग सूची तक यहां है

(चेतावनी: वे उपयोग थोड़ा अलग एल्गोरिदम तो वहाँ संभवतः कुछ computationally मुश्किल मामलों में जहां एक या अन्य बेहतर कर सकता है, लेकिन उन लोगों के व्यवहार में बहुत दुर्लभ हैं, और वास्तव में, मॉडल misspecification किसी तरह का करने के लिए सबसे अधिक संभावना बिंदु हैं कर देखें। पूरी तरह से अलग lmer () और एलएमई () से परिणाम ।)

Q2। एवीओएए के साथ एमएमएल का उपयोग करने का मुख्य कारण क्या है? यह मेरे लिए स्पष्ट नहीं है। एमएल आवश्यक है क्योंकि निश्चित प्रभाव में परिवर्तन होने पर REML का उपयोग करने वाली तुलना मान्य नहीं है। एक संभावित उपयोगी संबंधित प्रश्न यहां है: https://stats.stackexchange.com/a/16015/3601 । उपरोक्त टिप्पणी में आपके प्रश्न का उत्तर देने के लिए, हाँ, जब मॉडलों की तुलना की जाती है, तो REML का उपयोग केवल तभी किया जाना चाहिए जब मॉडल में एक ही निश्चित प्रभाव हो (जो कहना है, जब केवल यादृच्छिक प्रभाव बदलते हैं)। REML संभावना इस बात पर निर्भर करती है कि मॉडल में कौन से निश्चित प्रभाव हैं, और यदि निश्चित प्रभाव बदलते हैं तो यह तुलनीय नहीं है। REML को आमतौर पर यादृच्छिक प्रभावों के लिए बेहतर अनुमान देने के लिए माना जाता है, हालांकि, सामान्य सलाह यह है कि अपने अंतिम निष्कर्ष और रिपोर्टिंग के लिए REML का उपयोग करके अपने सर्वश्रेष्ठ मॉडल को फिट करें।

Q3। क्या इस बिंदु पर stepAIC का उपयोग करने का कोई तरीका है? अपने 19 मॉडलों के बीच तुलना करने के लिए जो आपकी स्थिति में समझ में आता है, बस उन सभी के लिए AIC की तुलना करें। बिना किसी कदम के प्रक्रिया का उपयोग करने का कोई कारण नहीं है। आम तौर पर स्टेपवाइज प्रक्रियाएं आजकल पुराने जमाने के रूप में देखी जाती हैं क्योंकि वे इस बात की गारंटी नहीं देते हैं कि सबसे अच्छा मॉडल पाया जाता है, और कंप्यूटर बहुत सारे मॉडल की तुलना करना आसान बनाते हैं।


1

आगे की खुदाई में, मैंने इन संसाधनों को भी पाया है जो हारून द्वारा प्रदान किए गए लिंक का बैकअप ले रहे हैं और उन लोगों के लिए अच्छे रीडिंग हैं जो खुद की तरह शुरू कर रहे हैं। उदाहरण के लिए http://lme4.r-forge.r-project.org/ पर जुड़े अध्याय स्लाइड लिंक की जाँच करें http://lme4.r-forge.r-project.org/slides/ एक ही प्रोजेक्ट पेज पर । कई लघु पाठ्यक्रमों में भी उदाहरण आर कोड है जो एक बड़ी मदद थी।
डॉ। बोलकर http://r.789695.n4.nabble.com/lme-vs-lmer-how-do-they-differ-td2534332.html द्वारा इसका संक्षिप्त उत्तर

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.