테스트가 계산되는 것의 차이점이라고 생각합니다. car::Anova
Wald 테스트를 사용하지만 drop1
단일 항을 제거하는 모형을 다시 맞 춥니 다. 존 폭스 (John Fox)는 우도 (Wald) 테스트와 우도 비 테스트 (즉,의 전략 drop1
)를 사용하여 개조 된 모델의 테스트 는 선형이지만 반드시 비선형 모델은 아니라고 나에게 썼다 . 불행히도이 메일은 offlist였으며 어떠한 참조도 포함하지 않았습니다. 그러나 그의 책에는 Wald 테스트에 관한 장이 있으며, 여기에는 원하는 정보가 포함될 수 있습니다.
car::Anova
말하는 도움 :
유형 II 테스트는 한계의 원리에 따라 계산되며, 용어의 고차 친척을 무시하는 것을 제외하고는 모든 용어를 테스트합니다. 소위 유형 III 테스트는 한계를 위반하여 모델의 각 항을 다른 모든 항을 테스트합니다. Type-II 검정의 이러한 정의는 모든 예측 변수가 요인이지만보다 일반적이지는 않은 (즉, 정량 예측 변수가있는 경우) 분산 분석 모델을 위해 SAS에서 생성 한 테스트에 해당합니다. 유형 III 테스트를위한 모델을 공식화 할 때는주의해야합니다. 그렇지 않으면 테스트 된 가설이 의미가 없습니다.
불행히도 나는 또한 그것을 알고 싶습니다 당신에게 두 번째 또는 세 번째 질문에 대답 할 수 없습니다.
재 응답 의견 업데이트 :
일반화 된 혼합 모델에 대한 Wald, LR 및 F 테스트는 없습니다. 혼합 모델 (예 : 에서 반환 한 객체) Anova
만 허용 "chisq"
하고 "F"
테스트합니다 . 사용법 섹션은 다음과 같이 말합니다."mer"
lmer
## S3 method for class 'mer'
Anova(mod, type=c("II","III", 2, 3),
test.statistic=c("chisq", "F"), vcov.=vcov(mod), singular.ok, ...)
그러나 mer
객체에 대한 F- 검정 은에 의해 계산 pbkrtest
되므로 내 지식은 선형 혼합 모델에서만 작동 하므로 Anova
GLMM은 항상 반환해야 chisq
하므로 차이가 없습니다.
질문에 관한 업데이트 :
내 이전의 대답은 당신의 주요 질문의 차이에 대응하기 위해 노력 Anova()
하고 drop1()
. 그러나 이제는 특정 고정 효과가 중요한지 테스트하고 싶다는 것을 이해합니다. R-SIG 혼합 모델링 자주 묻는 질문 은이에 대한 다음 말한다 :
단일 매개 변수 테스트
최악에서 최고로 :
- Wald Z- 테스트
- df를 계산할 수있는 균형 잡힌 중첩 LMM : Wald t-tests
- 모수를 분리 / 삭제할 수 있도록 모델을 설정하거나 (anova 또는 drop1을 통해) 또는 우도 프로파일 계산을 통해 우도 비율 테스트
- MCMC 또는 파라 메트릭 부트 스트랩 신뢰 구간
효과 테스트 (즉, 여러 매개 변수가 동시에 0인지 테스트)
최악에서 최고로 :
- Wald 카이 제곱 검정 (예 : 자동차 :: Anova)
- 가능성 비율 검정 (Aanova 또는 Drop1을 통해)
- df를 계산할 수있는 균형 잡힌 중첩 LMM : 조건부 F- 검정
- LMM의 경우 : df 보정이 포함 된 조건부 F- 검정 (예 : pbkrtest 패키지의 Kenward-Roger)
- MCMC 또는 매개 변수 또는 비모수 부트 스트랩 비교 (비모수 부트 스트랩은 그룹화 요소를 고려하여 신중하게 구현해야 함)
(강조 추가)
이는 car::Anova()
GLMM 사용 방식 이 일반적으로 권장되지 않지만 MCMC 또는 부트 스트랩을 사용하는 방식을 사용해야한다는 것을 나타냅니다. 나도 몰라 pvals.fnc
로부터 languageR
그 가치가 시도입니다 GLMMs와 패키지 웍하지만.