Apa yang mudah ditafsirkan, langkah-langkah good of fit untuk model efek campuran linier?

Saya saat ini menggunakan paket R lme4 .

Saya menggunakan model efek campuran linier dengan efek acak:

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

Untuk membandingkan model, saya menggunakan anovafungsi dan melihat perbedaan dalam AIC relatif terhadap model AIC terendah:

anova(mod1, mod2, mod3)

Di atas baik untuk membandingkan model.

Namun, saya juga memerlukan beberapa cara sederhana untuk menginterpretasikan ukuran goodness of fit untuk masing-masing model. Adakah yang punya pengalaman dengan tindakan seperti itu? Saya telah melakukan beberapa penelitian, dan ada makalah jurnal tentang R kuadrat untuk efek tetap model efek campuran:

• Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA, & Muller, KE (2010). Analisis data longitudinal nyata untuk orang sungguhan: Membangun model campuran yang cukup baik. Statistik dalam Kedokteran, 29 (4), 504-520. doi: 10.1002 / sim.3775
• Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF, & Schabenberger, O. (2008). Statistik R2 untuk efek tetap dalam model campuran linier. Statistik dalam Kedokteran, 27 (29), 6137-6157. doi: 10.1002 / sim.3429

Namun tampaknya, ada beberapa kritik seputar penggunaan tindakan seperti yang diusulkan dalam makalah di atas.

Bisakah seseorang menyarankan beberapa langkah mudah untuk ditafsirkan, good of of fit yang dapat diterapkan pada model saya?

Tidak ada yang mudah untuk mengartikan ukuran goodness of fit untuk model campuran linier :)

Random effect fit (mod1) dapat diukur dengan ICCdan ICC2(rasio antara varians dicatat oleh efek acak dan varians residual). paket psychometric R mencakup fungsi untuk mengekstraknya dari objek lme.

Dimungkinkan untuk menggunakan R2untuk menilai efek tetap (mod2, mod3), tetapi ini bisa rumit: Ketika dua model menunjukkan R2 yang sama, itu bisa menjadi kasus yang satu lebih "akurat", tetapi itu ditutupi oleh faktor tetapnya " mengurangi "komponen varians yang lebih besar ke efek acak. Di sisi lain mudah untuk menafsirkan R2 yang lebih besar dari model orde tertinggi (misalnya mod3). Dalam bab Baayen tentang model campuran ada diskusi bagus tentang ini. Juga, tutorialnya sangat jelas.

Solusi yang mungkin adalah mempertimbangkan masing-masing variance componentsecara independen, dan kemudian menggunakannya untuk membandingkan model.