Interpretation der zufälligen Effektvarianz in glmer

Ich überarbeite ein Papier zur Bestäubung, in dem die Daten binomial verteilt sind (Obst reift oder nicht). Also habe ich glmermit einem zufälligen Effekt (einzelne Pflanze) und einem festen Effekt (Behandlung) gearbeitet. Ein Gutachter möchte wissen, ob die Pflanze einen Einfluss auf den Fruchtansatz hatte - aber ich habe Probleme, die glmerErgebnisse zu interpretieren .

Ich habe im Internet gelesen und es scheint, dass es Probleme mit direkten Vergleichen glmund glmerModellen geben kann, also mache ich das nicht. Ich dachte, der einfachste Weg, die Frage zu beantworten, wäre, die zufällige Effektvarianz (1.449, unten) mit der Gesamtvarianz oder der durch die Behandlung erklärten Varianz zu vergleichen. Aber wie berechne ich diese anderen Abweichungen? Sie scheinen in der Ausgabe unten nicht enthalten zu sein. Ich habe etwas darüber gelesen, dass Restvarianzen für Binomial nicht berücksichtigt werden. glmerWie interpretiere ich die relative Bedeutung des Zufallseffekts?

> summary(exclusionM_stem)
Generalized linear mixed model fit by maximum likelihood (Laplace
  Approximation) [glmerMod]
 Family: binomial  ( logit )
Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID)

     AIC      BIC   logLik deviance df.resid 
   125.9    131.5    -59.0    117.9       26 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.0793 -0.8021 -0.0603  0.6544  1.9216 

Random effects:
 Groups  Name        Variance Std.Dev.
 PlantID (Intercept) 1.449    1.204   
Number of obs: 30, groups:  PlantID, 10

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)  -0.5480     0.4623  -1.185   0.2359   
TreatmentD   -1.1838     0.3811  -3.106   0.0019 **
TreatmentN   -0.3555     0.3313  -1.073   0.2832   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
           (Intr) TrtmnD
TreatmentD -0.338       
TreatmentN -0.399  0.509

Während immer ein Analogon der "Proportionalitätsvarianz von jedem Effekt erklärt" ist, verfolgen Sie einen ähnlichen Ansatz. Im Prinzip könnte dieser Ansatz wahrscheinlich erweitert werden, um den Anteil der Varianz zu berücksichtigen, der durch verschiedene Begriffe erklärt wird [es ist jedoch zu beachten, dass der „Anteil der Varianz“ aller Begriffe in dem auf diese Weise betrachteten Modell wahrscheinlich wäre für GLMMs grundsätzlich möglich zu erhalten, gibt es mehrere komplizierende Faktoren (welche Ebenen des Modells betrachten Sie als "Gesamtvarianz" und wie quantifizieren Sie die Stichprobenvariation aufgrund der niedrigste Stichprobenverteilung (in diesem Fall binomial)? Nakagawa und Schielzeth (doi: 10.1111 / j.2041-210x.2012.00261.x) präsentieren einen allgemeinen Ansatz zur Berechnung von R ^ 2 (Anteil der Gesamtvarianz erklärt) für (G) LMMs, der in der Ökologie ziemlich populär geworden ist; Xu et al. 2003 nicht zu 100% summieren - dies könnte der entweder mehr oder weniger sein].

$4\sigma$$-1.96 \sigma$$+1.96\sigma$

Visuell:

PlantID$0$ . Dies ist jedoch ein seltsamer Test, den Sie ausführen müssen, da sich der Nullwert an der Grenze des zulässigen Bereichs befindet. Solche Tests werden immer noch durchgeführt, aber viele Menschen fühlen sich mit ihnen sehr unwohl.

In Ihrem Fall haben Sie mehrere Kennzahlen pro Anlage. Ein schneller und unsauberer Ansatz besteht darin, ein Modell mit PlantIDeinem festen Effekt auszuführen und diesen Effekt zu testen.

Die einfache Antwort an Ihren Prüfer lautet "Ja". Wenn er Sie auffordert, zu testen, ob die Varianz des Zufallseffekts erheblich von 0 abweicht, haben Sie mehrere Möglichkeiten. Beachten Sie jedoch, dass es vielen klugen Leuten unangenehm ist, zu testen, ob sich die Varianzen zufälliger Effekte von 0 unterscheiden.

Am einfachsten ist ein Likelihood-Ratio-Test, der jedoch von den meisten nicht empfohlen wird. Sie sind beim Testen an den Grenzen sehr konservativ (dh Sie testen gegen eine Varianz von 0, die so niedrig wie möglich ist). Es gibt die Faustregel, dass der p-Wert ungefähr doppelt so hoch ist wie der tatsächliche Wert.

Die Methode, die an den meisten Orten empfohlen wird, ist ein parametrischer Bootstrap. Sie können bootMeraus dem lme4Paket verwenden. Stellen Sie sicher, dass Sie den REML-Parameter Ihrer früheren Funktion auf FALSE setzen, andernfalls ist Ihre Varianz zu 100% größer als 0 (oder in der Nähe davon ... tatsächlich ist sie wahrscheinlich fast 100% größer als 0 Zeit sowieso).

Einige Tipps und weitere Ressourcen:

http://glmm.wikidot.com/faq (Finden Sie die Überschrift Wie kann ich testen, ob ein zufälliger Effekt signifikant ist?)

lmer () parametrischer Bootstrap-Test für feste Effekte

http://www.r-bloggers.com/using-bootmer-to-do-model-comparison-in-r/

Im Cochran-Q-Test mit mehreren Stichproben vergleichen sie die Ergebnisse der beiden Modelle mit anova (eines ohne Zufallseffekte und eines mit Zufallseffekten).

Jairo Rocha Universität der Balearen