랜덤 효과가있는 모형에 대해 lmer을 사용하여 분산 성분을 추정하고 lme 결과와 비교하는 방법

나는 두 개의 다른 출처에서 온 다른 가족을 키우는 실험을 수행했습니다. 각 가족에게는 두 가지 치료법 중 하나가 배정되었습니다. 실험 후 나는 각 개인에 대한 몇 가지 특성을 측정했다. 치료 또는 소스의 효과와 상호 작용을 테스트하기 위해 가족과 함께 임의 요인으로 선형 혼합 효과 모델을 사용했습니다.

lme(fixed=Trait~Treatment*Source,random=~1|Family,method="ML")

지금까지는 상대적 분산 성분, 즉 처리 또는 소스와 상호 작용뿐만 아니라 변동 비율을 계산해야합니다.

랜덤 효과가 없으면, 제곱합 (SS)을 쉽게 사용하여 각 요인에 의해 설명 된 분산을 계산할 수 있습니다. 그러나 혼합 모델 (ML 추정 포함)의 경우 SS가 없으므로 분산 및 산포도를 임의의 효과로 사용하여 분산을 추정 할 수 있다고 생각했습니다.

lme(fixed=Trait~1,random=~(Treatment*Source)|Family, method="REML")

그러나 어떤 경우에는 lme가 수렴하지 않으므로 lme4 패키지의 lmer를 사용했습니다.

lmer(Trait~1+(Treatment*Source|Family),data=DATA)

요약 함수를 사용하여 모델에서 분산을 추출하는 위치 :

model<-lmer(Trait~1+(Treatment*Source|Family),data=regrexpdat)
results<-VarCorr(model)
variances<-results[,3]

VarCorr 함수와 동일한 값을 얻습니다. 그런 다음이 값을 사용하여 합계를 총 변동으로하는 변동의 실제 백분율을 계산합니다.

여기서 어려움을 겪고있는 곳은 초기 lme 모델 (처리 및 소스를 고정 효과로 사용) 및 분산 모델 (처리 및 소스를 임의 효과로 사용)을 추정하기위한 랜덤 모델의 결과를 해석하는 것입니다. 대부분의 경우 각 요인에 의해 설명 된 분산의 백분율이 고정 효과의 중요성과 일치하지 않는 것으로 나타났습니다.

예를 들어, 특성 HD의 경우, 초기 lme는 상호 작용 경향 및 치료에 대한 중요성을 시사한다. 후진 절차를 사용하면 치료가 상당한 경향에 가깝다는 것을 알았습니다. 그러나 분산 성분을 추정하면 소스의 분산이 가장 높아 총 분산의 26.7 %를 차지합니다.

lme :

anova(lme(fixed=HD~as.factor(Treatment)*as.factor(Source),random=~1|as.factor(Family),method="ML",data=test),type="m")
                                      numDF denDF  F-value p-value
(Intercept)                                1   426 0.044523  0.8330
as.factor(Treatment)                       1   426 5.935189  0.0153
as.factor(Source)                          1    11 0.042662  0.8401
as.factor(Treatment):as.factor(Source)     1   426 3.754112  0.0533

그리고 lmer :

summary(lmer(HD~1+(as.factor(Treatment)*as.factor(Source)|Family),data=regrexpdat))
Linear mixed model fit by REML 
Formula: HD ~ 1 + (as.factor(Treatment) * as.factor(Source) | Family) 
   Data: regrexpdat 
    AIC    BIC logLik deviance REMLdev
 -103.5 -54.43  63.75   -132.5  -127.5
Random effects:
 Groups   Name                                      Variance  Std.Dev. Corr                 
 Family   (Intercept)                               0.0113276 0.106431                      
          as.factor(Treatment)                      0.0063710 0.079819  0.405               
          as.factor(Source)                         0.0235294 0.153393 -0.134 -0.157        
          as.factor(Treatment)L:as.factor(Source)   0.0076353 0.087380 -0.578 -0.589 -0.585 
 Residual                                           0.0394610 0.198648                      
Number of obs: 441, groups: Family, 13

Fixed effects:
            Estimate Std. Error t value
(Intercept) -0.02740    0.03237  -0.846

따라서 내 질문은, 내가하고있는 일이 맞습니까? 또는 다른 방법으로 각 요인에 의해 설명 된 분산 량 (예 : 치료, 출처 및 상호 작용)을 추정해야합니다. 예를 들어 효과 크기가 더 적절한 방법일까요?

모형에 대한 각 요인의 상대적 기여를 결정하는 한 가지 일반적인 방법은 요인을 제거하고 상대 가능성을 카이 제곱 검정과 비교하는 것입니다.

pchisq(logLik(model1) - logLik(model2), 1)

함수 간 가능성을 계산하는 방법이 약간 다를 수 있으므로 일반적으로 동일한 방법간에 만 비교합니다.