आपके द्वारा उल्लिखित दोनों अवधारणाएं (रैखिक मिश्रित मॉडल के पी-मान और प्रभाव आकार) में अंतर्निहित मुद्दे हैं। प्रभाव आकार के संबंध में , डौग बेट्स के मूल लेखक के हवाले से lme4,
यह मानते हुए कि कोई माप को परिभाषित करना चाहता है , मुझे लगता है कि एक रैखिक मिश्रित मॉडल से वर्गों के दंडित अवशिष्ट योग के इलाज के लिए एक तर्क उसी तरह से बनाया जा सकता है जिस तरह से हम एक रैखिक मॉडल से वर्गों के अवशिष्ट योग पर विचार करते हैं। या कोई बिना दंड के वर्गों के अवशिष्ट योग का उपयोग कर सकता है या किसी दिए गए सेट से प्राप्त वर्गों की न्यूनतम अवशिष्ट राशि, जो एक अनंत सटीक मैट्रिक्स से मेल खाती है। मुझे नहीं पता, वास्तव में। यह इस बात पर निर्भर करता है कि आप किस तरह की कोशिश कर रहे हैं।R2
अधिक जानकारी के लिए, आप इस धागे , इस धागे और इस संदेश को देख सकते हैं । मूल रूप से, मुद्दा यह है कि मॉडल में यादृच्छिक प्रभावों से विचरण को शामिल करने और विघटित करने की विधि पर सहमति नहीं है। हालांकि, कुछ मानक हैं जो उपयोग किए जाते हैं। यदि आप r-sig-मिश्रित-मॉडल मेलिंग सूची के लिए विकी पर एक नज़र रखते हैं, तो सूचीबद्ध किए गए कुछ जोड़े हैं।
सुझाए गए तरीकों में से एक फिट और देखे गए मूल्यों के बीच सहसंबंध को देखता है। यह आर में लागू किया जा सकता है जैसा कि जेरेट बायरनेस ने उन थ्रेड्स में से एक में सुझाया है:
r2.corr.mer <- function(m) {
lmfit <- lm(model.response(model.frame(m)) ~ fitted(m))
summary(lmfit)$r.squared
}
इसलिए उदाहरण के लिए, हम निम्न रैखिक मिश्रित मॉडल का अनुमान लगाते हैं:
set.seed(1)
d <- data.frame(y = rnorm(250), x = rnorm(250), z = rnorm(250),
g = sample(letters[1:4], 250, replace=T) )
library(lme4)
summary(fm1 <- lmer(y ~ x + (z | g), data=d))
# Linear mixed model fit by REML ['lmerMod']
# Formula: y ~ x + (z | g)
# Data: d
# REML criterion at convergence: 744.4
#
# Scaled residuals:
# Min 1Q Median 3Q Max
# -2.7808 -0.6123 -0.0244 0.6330 3.5374
#
# Random effects:
# Groups Name Variance Std.Dev. Corr
# g (Intercept) 0.006218 0.07885
# z 0.001318 0.03631 -1.00
# Residual 1.121439 1.05898
# Number of obs: 250, groups: g, 4
#
# Fixed effects:
# Estimate Std. Error t value
# (Intercept) 0.02180 0.07795 0.280
# x 0.04446 0.06980 0.637
#
# Correlation of Fixed Effects:
# (Intr)
# x -0.005
हम ऊपर परिभाषित फ़ंक्शन का उपयोग करके प्रभाव के आकार की गणना कर सकते हैं:
r2.corr.mer(fm1)
# [1] 0.0160841
रोंघुई जू द्वारा एक समान विकल्प की सिफारिश की जाती है , जिसे " रूप में संदर्भित किया जाता है , और इसकी गणना केवल आर में की जा सकती है :Ω20
1-var(residuals(fm1))/(var(model.response(model.frame(fm1))))
# [1] 0.01173721 # Usually, it would be even closer to the value above
पी-वैल्यू के संबंध में , यह बहुत अधिक विवादास्पद मुद्दा है (कम से कम आर / lme4समुदाय में)। प्रश्नों के विवेचन को यहाँ , यहाँ और यहाँ कई अन्य लोगों के बीच देखें। विकी पेज को फिर से संदर्भित करते हुए, रैखिक मिश्रित मॉडल में प्रभावों पर परिकल्पना का परीक्षण करने के लिए कुछ दृष्टिकोण हैं। "सबसे बुरे से सबसे अच्छे" ( विकी पृष्ठ के लेखकों के अनुसार जो मुझे लगता है कि डौग बेट्स के साथ-साथ बेन बोल्कर भी शामिल हैं, जो यहां बहुत योगदान देता है):
- Wald Z- परीक्षण
- संतुलित, नेस्टेड LMMs के लिए जहां df की गणना की जा सकती है: Wald t- परीक्षण
- संभावना अनुपात परीक्षण, या तो मॉडल की स्थापना करके, ताकि पैरामीटर को अलग किया जा सके / गिराया जा सके (
anovaया ( drop1) या, कम्प्यूटरीकृत प्रोफाइल की गणना करके)
- MCMC या पैरामीट्रिक बूटस्ट्रैप विश्वास अंतराल
वे मार्कोव श्रृंखला मोंटे कार्लो नमूना दृष्टिकोण की सिफारिश करते हैं और छद्म से इसे लागू करने के लिए कई संभावनाओं की सूची भी देते हैं और पूरी तरह से बायेसियन दृष्टिकोण नीचे सूचीबद्ध हैं।
छद्म बायेसियन:
- आमतौर पर पोस्ट-हॉक सैंपलिंग, (1) MLE से शुरू होने वाले फ्लैट पुजारी और (2) को मानते हुए, संभवतः उम्मीदवार वितरण का चयन करने के लिए अनुमानित संस्करण-सहसंयोजक अनुमान का उपयोग करते हुए
- Via
mcmcsamp(यदि आपकी समस्या के लिए उपलब्ध है: यानी साधारण यादृच्छिक प्रभावों के साथ LMM - GLMM या जटिल यादृच्छिक प्रभाव नहीं) पैकेज में
Via , के लिए एक आवरण ) pvals.fnclanguageRmcmcsamp
- एडी मॉडल बिल्डर में, संभवतः
glmmADMBपैकेज ( mcmc=TRUEविकल्प का उपयोग करें ) या पैकेज के माध्यम से ( R2admbएडी मॉडल बिल्डर में अपनी खुद की मॉडल परिभाषा लिखें), या आर के बाहर
- पैकेज
simसे फ़ंक्शन के माध्यम से arm(बीटा-फिक्स्ड-प्रभाव) गुणांकों के लिए केवल पीछे का अनुकरण करता है
पूरी तरह से बायेसियन दृष्टिकोण:
MCMCglmmपैकेज के माध्यम सेglmmBUGSWinBUGS रैपर / आर इंटरफ़ेस का उपयोग करना- , Jags / WinBUGS / OpenBUGS आदि का उपयोग के माध्यम से
rjags/ r2jags/ R2WinBUGS/ BRugsसंकुल
चित्रण के लिए यह दिखाने के लिए कि यह कैसा दिख सकता है, नीचे पैकेज MCMCglmmका उपयोग करके एक अनुमान लगाया गया MCMCglmmहै, जो आपको उपरोक्त मॉडल के समान परिणाम देगा और कुछ प्रकार के बेइज़ियन पी-मान हैं:
library(MCMCglmm)
summary(fm2 <- MCMCglmm(y ~ x, random=~us(z):g, data=d))
# Iterations = 3001:12991
# Thinning interval = 10
# Sample size = 1000
#
# DIC: 697.7438
#
# G-structure: ~us(z):g
#
# post.mean l-95% CI u-95% CI eff.samp
# z:z.g 0.0004363 1.586e-17 0.001268 397.6
#
# R-structure: ~units
#
# post.mean l-95% CI u-95% CI eff.samp
# units 0.9466 0.7926 1.123 1000
#
# Location effects: y ~ x
#
# post.mean l-95% CI u-95% CI eff.samp pMCMC
# (Intercept) -0.04936 -0.17176 0.07502 1000 0.424
# x -0.07955 -0.19648 0.05811 1000 0.214
मुझे उम्मीद है कि यह कुछ हद तक मदद करता है। मुझे लगता है कि लीनियर मिश्रित मॉडल के साथ शुरू होने वाले किसी व्यक्ति के लिए सबसे अच्छी सलाह और आर में उन्हें अनुमान लगाने की कोशिश करना है कि विकी faqs को पढ़ना है जहां से इस जानकारी को खींचा गया था। यह बुनियादी से उन्नत और मॉडलिंग से लेकर प्लॉटिंग तक सभी प्रकार के मिश्रित प्रभाव विषयों के लिए एक उत्कृष्ट संसाधन है।
anova()रैखिक मॉडल के साथ-साथ रैखिक मॉडल के साथ एनोवा तालिका प्राप्त करने के लिए फ़ंक्शन का उपयोग कर सकते हैं ।