Actualmente estoy usando el paquete R lme4 .
Estoy usando modelos de efectos lineales mixtos con efectos aleatorios:
library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect +
# random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects +
# random effects
Para comparar modelos, estoy usando la anova
función y veo diferencias en AIC en relación con el modelo AIC más bajo:
anova(mod1, mod2, mod3)
Lo anterior está bien para comparar modelos.
Sin embargo, también necesito una forma sencilla de interpretar las medidas de bondad de ajuste para cada modelo. ¿Alguien tiene experiencia con tales medidas? He investigado un poco, y hay artículos de revistas sobre R cuadrado para los efectos fijos de los modelos de efectos mixtos:
- Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA y Muller, KE (2010). Análisis de datos longitudinales reales para personas reales: construir un modelo mixto suficientemente bueno. Estadísticas en medicina, 29 (4), 504-520. doi: 10.1002 / sim.3775
- Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF y Schabenberger, O. (2008). Una estadística R2 para efectos fijos en el modelo mixto lineal. Estadísticas en medicina, 27 (29), 6137-6157. doi: 10.1002 / sim.3429
Sin embargo, parece que hay algunas críticas en torno al uso de medidas como las propuestas en los documentos anteriores.
¿Podría alguien sugerir algunas medidas de bondad de ajuste fáciles de interpretar que podrían aplicarse a mis modelos?
mixed()
en mi paquete afex ( la versión de desarrollo también tiene bootstrap paramétrico ). Ver aquí para algunas referencias .
KRmodcomp
desde el paquete pbkrtest
. También puede usar KRmodcomp
directamente para comparar modelos.