Wie nahe an Null sollte die Summe der zufälligen Effekte in GLMM sein (mit lme4)

Ich verwende das lme4Paket in R, um eine logistische Modellierung mit gemischten Effekten durchzuführen.
Mein Verständnis war, dass die Summe aller zufälligen Effekte Null sein sollte.

Wenn ich mit Spielzeug lineare gemischte Modelle mache lmer, sind die zufälligen Effekte normalerweise < was meine Überzeugung bestätigt, dass der Aber in Spielzeug-Binomialmodellen (und in Modellen meiner realen Binomialdaten) ein Teil des Zufallseffekts zu ~ summiert 0,9.$10^{-10}$colSums(ranef(model)$groups) ~ 0

Sollte ich besorgt sein? Wie interpretiere ich das?

Hier ist ein lineares Spielzeugbeispiel

toylin<-function(n=30,gn=10,doplot=FALSE){
 require(lme4)
 x=runif(n,0,1000)
 y1=matrix(0,gn,n)
 y2=y1
 for (gx in 1:gn)
 {
   y1[gx,]=2*x*(1+(gx-5.5)/10) + gx-5.5  + rnorm(n,sd=10)
   y2[gx,]=3*x*(1+(gx-5.5)/10) * runif(1,1,10)  + rnorm(n,sd=20)
 }
 c1=y1*0;
 c2=y2*0+1;
 y=c(t(y1[c(1:gn),]),t(y2[c(1:gn),]))
 g=rep(1:gn,each=n,times=2)
 x=rep(x,times=gn*2)
 c=c(c1,c2)
 df=data.frame(list(x=x,y=y,c=factor(c),g=factor(g)))
 (m=lmer(y~x*c + (x*c|g),data=df))
 if (doplot==TRUE)
  {require(lattice)
   df$fit=fitted(m)
   plot1=xyplot(fit ~ x|g,data=df,group=c,pch=19,cex=.1)
   plot2=xyplot(y ~ x|g,data=df,group=c)
   print(plot1+plot2)
  }
 print(colMeans(ranef(m)$g))
 m
}

In diesem Fall kommen die colMeans immer$<10^{-6}$

Hier ist ein Beispiel für ein Binomialspielzeug (ich würde meine tatsächlichen Daten teilen, sie werden jedoch zur Veröffentlichung eingereicht, und ich bin mir nicht sicher, wie die Journalrichtlinie im Voraus lautet):

toybin<-function(n=100,gn=4,doplot=FALSE){
  require(lme4)

  x=runif(n,-16,16)
  y1=matrix(0,gn,n)
  y2=y1
  for (gx in 1:gn)
  { com=runif(1,1,5)
    ucom=runif(1,1,5)
    y1[gx,]=tanh(x/(com+ucom) + rnorm(1)) > runif(x,-1,1)
    y2[gx,]=tanh(2*(x+2)/com + rnorm(1)) > runif(x,-1,1)
  }
  c1=y1*0;
  c2=y2*0+1;
  y=c(t(y1[c(1:gn),]),t(y2[c(1:gn),]))
  g=rep(1:gn,each=n,times=2)
  x=rep(x,times=gn*2)
  c=c(c1,c2)
  df=data.frame(list(x=x,y=y,c=factor(c),g=factor(g)))
  (m=lmer(y~x*c + (x*c|g),data=df,family=binomial))
  if (doplot==TRUE)
   {require(lattice)
    df$fit=fitted(m)
    print(xyplot(fit ~ x|g,data=df,group=c,pch=19,cex=.1))
   }
  print(colMeans(ranef(m)$g))
  m
}

Jetzt liegen die colMeans manchmal über 0,3 und im Durchschnitt definitiv über dem linearen Beispiel.

Da der Code von @ Hemmo im Feld "Bounty" leicht verstümmelt wurde, füge ich diese neu formatierte Version als "Community-Wiki" hinzu. Wenn dies keine angemessene Verwendung des Wikis ist, entschuldige ich mich im Voraus. Fühlen Sie sich frei, es zu entfernen.

library(mvabund)
library(lme4) 
data(spider) 
Y <- as.matrix(spider$abund)
X <- spider$x 
X <- X[ ,c(1, 4, 5, 6)] 
X <- rbind(X, X, X, X, X, X, X, X, X, X, X, X) 
site <- rep(seq(1, 28), 12) 
dataspider <- data.frame(c(Y), X, site) 
names(dataspider) <- c("Y","soil.dry", "moss", "herb.layer", "reflection", "site") 
fit <- glmer(
  Y ~ soil.dry + moss + herb.layer + reflection + (1|site), 
  family = poisson(link = log), 
  data = dataspider,
  control = glmerControl(optimizer = "bobyqa")
)