我们正在使用glmmTMB软件包进行贝塔混合效应回归分析,如下所示:
mod = glmmTMB::glmmTMB(data = data,
formula = rating ~ par1 + par2 + par3 +
(1|subject)+(1|item),
family = glmmTMB::beta_family())
接下来,我们想运行一个模型比较——类似于用于"lm"对象的"step"函数。到目前为止,我们从MuMIn包中找到了函数"疏通",该函数根据一个标准(例如BIC(计算嵌套模型的拟合:
MuMIn::dredge(mod, rank = 'BIC', evaluate = T)
OUTPUT:
Model selection table
cnd((Int)) dsp((Int)) cnd(par1) cnd(par2) cnd(par3) df logLik BIC delta weight
2 1.341 + -0.4466 5 2648.524 -5258.3 0.00 0.950
6 1.341 + -0.4466 0.03311 6 2648.913 -5251.3 6.97 0.029
4 1.341 + -0.4468 -0.005058 6 2648.549 -5250.6 7.70 0.020
8 1.341 + -0.4470 -0.011140 0.03798 7 2649.025 -5243.8 14.49 0.001
1 1.321 + 4 2604.469 -5177.9 80.36 0.000
5 1.321 + 0.03116 5 2604.856 -5171.0 87.34 0.000
3 1.321 + -0.001771 5 2604.473 -5170.2 88.10 0.000
7 1.321 + -0.007266 0.03434 6 2604.909 -5163.3 94.98 0.000
然而,我们想知道这些嵌套模型之间的拟合差异是否具有统计学意义。对于具有正态分布因变量的lms,我们将使用方差分析,但这里我们不确定它是否适用于具有贝塔分布或glmmTMB对象的模型。
您可以使用buildmer包对glmmTMB
模型进行逐步回归(您也应该阅读有关逐步回归的批评(。然而,你的问题的简短答案是,实现似然比测试的anova()
方法是用于嵌套模型的glmmTMB
拟合的成对比较的,并且该理论运行得很好。一些更重要的假设是:(1(没有违反任何模型假设[独立性、条件分布的选择、适当尺度上的线性、随机效应的正态性等];(2( 模型是嵌套的,并且应用于相同的数据集;(3( 样本量足够大,渐近方法是适用的。