혼합 효과 모델에서 설명 된 분산의 비율

이것이 이전에 요청되었는지는 모르겠지만 그것에 대해 아무것도 찾지 못했습니다. 내 질문은 혼합 효과 모델에서 고정 및 랜덤 요인 각각에 의해 설명되는 분산의 비율을 얻는 방법을 배울 수있는 좋은 참고 자료를 제공 할 수 있는지 여부입니다.

몇 가지 참조를 제공 할 수 있습니다.

Xu, R. (2003). 선형 혼합 효과 모델의 변형 설명 의학 통계 , 22 , 3527-3541. DOI : 10.1002 / sim.1572

Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF, & Schabenberger, O. (2008). 선형 혼합 모델의 고정 효과 통계치. 의학 통계 , 27$R^2$ , 6137-6157. DOI : 10.1002 / sim.3429

Hossjer, O. (2008). 혼합 회귀 모형의 결정 계수 통계 기획 및 추론 , 138 , 3022-3038.DOI : 10.1016 / j.jspi.2007.11.010

$R^2$ , 133-142. DOI : 10.1111 / j.2041-210x.2012.00261.x

행복한 독서!

2013 년 이 블로그 게시물 에 따르면 MuMIn패키지 R는 R을 제공 할 수 있습니다$^2$혼합 모델 값 ALA 가 개발 한 방법 나카가와 및 Schielzeth 2,013$^1$(이전 답변 에서 언급했습니다 ).

#load packages
library(lme4)
library(MuMIn)

#Fit Model
m <- lmer(mpg ~ gear + disp + (1|cyl), data = mtcars)

#Determine R2:
r.squaredGLMM(m) 

       R2m       R2c 
 0.5476160 0.7150239  

기능의 출력은 다음을 r.squaredGLMM제공합니다.

• R2m : 고정 효과와 관련된 한계 R 제곱 값

• R2c 고정 효과와 랜덤 효과와 관련된 조건부 R2 값.

참고 : 링크 된 블로그 게시물 에 대한 의견은 Jon Lefcheck ( 패키지 의 sem.model.fits기능을 사용하여)가 개발 한 대안 Nakagawa & Schielzeth에서 영감을 얻은 접근 방식이 piecewiseSEM동일한 결과를 생성 했다고 제안 합니다. [따라서 옵션이 있습니다 : p].

• 나는이 후자의 기능을 테스트하지 않았지만 패키지 의 r.squaredGLMM()기능을 테스트 MuMIn했으므로 오늘날에도 여전히 기능적임을 증명할 수 있습니다 (2018).

• 이 접근법의 유효성에 대해서는 Nakagawa & Schielzeth (2013) (및 후속 기사 Johnson 2014)를 읽습니다.$^2$) 당신에게 달려 있습니다.

^{1 : Nakagawa, S. 및 Schielzeth, H. 2013. 일반화 된 선형 혼합 효과 모델에서 R2를 얻는 일반적이고 간단한 방법. 생태와 진화의 방법 4 (2) : 133-142.}

^{2 : Johnson, PCD 2014 Nakagawa & Schielzeth의 R2GLMM을 임의의 경사 모델로 확장. 생태와 진화의 방법 5 : 44–946.}