Die Bibliothek languageR bietet eine Methode (pvals.fnc) zum Testen der MCMC-Signifikanz der festen Effekte in einem Regressionsmodell für gemischte Effekte unter Verwendung von lmer. Pvals.fnc gibt jedoch einen Fehler aus, wenn das lmer-Modell zufällige Steigungen enthält.
Gibt es eine Möglichkeit, einen MCMC-Hypothesentest für solche Modelle durchzuführen?
Wenn das so ist, wie? (Um akzeptiert zu werden, sollte eine Antwort ein funktionierendes Beispiel in R haben.) Wenn nicht, gibt es einen begrifflichen / rechnerischen Grund, warum es keinen Weg gibt?
Diese Frage könnte mit dieser zusammenhängen, aber ich habe den Inhalt dort nicht gut genug verstanden, um sicherzugehen.
Edit 1 : Ein Proof-of-Concept zeigt, dass pvals.fnc () mit lme4-Modellen immer noch "etwas" macht, mit Modellen mit zufälliger Steigung jedoch nichts.
library(lme4)
library(languageR)
#the example from pvals.fnc
data(primingHeid)
# remove extreme outliers
primingHeid = primingHeid[primingHeid$RT < 7.1,]
# fit mixed-effects model
primingHeid.lmer = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1|Subject) + (1|Word), data = primingHeid)
mcmc = pvals.fnc(primingHeid.lmer, nsim=10000, withMCMC=TRUE)
#Subjects are in both conditions...
table(primingHeid$Subject,primingHeid$Condition)
#So I can fit a model that has a random slope of condition by participant
primingHeid.lmer.rs = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1+Condition|Subject) + (1|Word), data = primingHeid)
#However pvals.fnc fails here...
mcmc.rs = pvals.fnc(primingHeid.lmer.rs)
Es heißt: Fehler in pvals.fnc (primingHeid.lmer.rs): Die MCMC-Abtastung ist in lme4_0.999375 für Modelle mit zufälligen Korrelationsparametern noch nicht implementiert
Zusätzliche Frage: Funktioniert pvals.fnc wie erwartet für ein zufälliges Intercept-Modell? Sollten die Ausgaben vertrauenswürdig sein?
quelle
Antworten:
Es sieht so aus, als ob es bei Ihrer Fehlermeldung nicht um unterschiedliche Steigungen geht, sondern um korrelierte zufällige Effekte. Sie können das unkorrelierte auch passen; Das heißt, ein Modell mit gemischten Effekten mit unabhängigen zufälligen Effekten:
von http://www.stat.wisc.edu/~bates/IMPS2008/lme4D.pdf
quelle
Hier ist (zumindest die meisten) eine Lösung mit
MCMCglmm
.Passen Sie zuerst das äquivalente Intercept-Varianz-Only-Modell an
MCMCglmm
:Vergleichen von Übereinstimmungen zwischen
MCMCglmm
undlmer
, erstmaliges Abrufen meiner gehackten Version vonarm::coefplot
:Versuchen Sie es jetzt mit zufälligen Steigungen:
Dies gibt eine Art "MCMC p-Werte" ... Sie müssen selbst herausfinden, ob das Ganze Sinn macht ...
quelle