Ich hoffe, jemand kann bei einer meiner Meinung nach relativ einfachen Frage helfen, und ich glaube, ich kenne die Antwort, aber ohne Bestätigung ist sie zu etwas geworden, dessen ich mir einfach nicht sicher sein kann.
Ich habe einige Zähldaten als Antwortvariable und möchte messen, wie sich diese Variable mit dem proportionalen Vorhandensein von etwas ändert.
Genauer gesagt ist die Antwortvariable die Anzahl des Vorhandenseins einer Insektenart an einer Anzahl von Stellen, so dass beispielsweise eine Stelle zehnmal beprobt wird und diese Art viermal vorkommen kann.
Ich möchte sehen, ob dies mit dem proportionalen Vorhandensein einer Gruppe von Pflanzenarten in der Gesamtgemeinschaft der Pflanzen an diesen Standorten korreliert.
Dies bedeutet, dass meine Daten wie folgt aussehen (dies ist nur ein Beispiel)
Site, insectCount, NumberOfInsectSamples, ProportionalPlantGroupPresence
1, 5, 10, 0.5
2, 3, 10, 0.3
3, 7, 9, 0.6
4, 0, 9, 0.1
Die Daten enthalten auch einen zufälligen Effekt für den Standort.
Ich dachte an zwei Methoden, eine wäre ein lineares Modell ( lmer
), bei dem die Insekten in einen Anteil umgewandelt werden, z
lmer.model<-lmer(insectCount/NumberOfInsectSamples~
ProportionalPlantGroupPresence+(1|Location),data=Data)
Das zweite wäre ein Binomial-GLMM ( glmer
), z
glmer.model <- glmer(cbind(insectCount,NumberOfInsectSamples-insectCount)~
ProportionalPlantGroupPresence+(1|Location),
data=Data,family="binomial")
Ich glaube, dass das Binomial Glmer die richtige Methode ist, aber sie führen zu ziemlich unterschiedlichen Ergebnissen. Ich kann im Internet keine endgültige Antwort finden, ohne mich immer noch etwas unsicher zu fühlen, und möchte sicherstellen, dass ich keinen Fehler mache.
Jede Hilfe oder Einsicht in alternative Methoden hierzu wäre sehr dankbar.
Antworten:
Das Binomial GLMM ist wahrscheinlich die richtige Antwort.
(1|Site)
zufälligen Effekt automatisch behandelt (obwohl Sie in Harrison 2015 einen Warnhinweis finden).glm(...,family=binomial)
anpassen ( - in diesem Fall können Sie auch ein Quasibinomialmodell (family=quasibinomial
) als einfachere, alternative Methode verwenden Überdispersion zu erklärenWenn Sie möchten, können Sie Ihr GLMM auch mit dem Anteil als Antwort versehen, wenn Sie das
weights
Argument so einstellen, dass es der Anzahl der Stichproben entspricht:(Dies sollte zu identischen Ergebnissen führen wie die
glmer()
Anpassung, die Sie in Ihrer Frage haben).Harrison, Xavier A. " Ein Vergleich von zufälligen Effekten auf Beobachtungsebene und Beta-Binomial-Modellen zur Modellierung der Überdispersion in Binomialdaten in Ökologie und Evolution ." PeerJ 3 (21. Juli 2015): e1114. doi: 10.7717 / peerj.1114.
quelle