Uji rasio kemungkinan - lmer R - Model yang tidak bersarang

Saat ini saya sedang meninjau beberapa pekerjaan dan telah menemukan yang berikut, yang tampaknya salah bagi saya. Dua model campuran dipasang (dalam R) menggunakan lmer. Model tidak bersarang dan dibandingkan dengan uji rasio kemungkinan. Singkatnya, berikut adalah contoh yang dapat direproduksi dari apa yang saya miliki:

set.seed(105)
Resp = rnorm(100)
A = factor(rep(1:5,each=20))
B = factor(rep(1:2,times=50))
C = rep(1:4, times=25)
m1 = lmer(Resp ~ A + (1|C), REML = TRUE)
m2 = lmer(Resp ~ B + (1|C), REML = TRUE)
anova(m1,m2)

Sejauh yang saya bisa lihat, lmerdigunakan untuk menghitung kemungkinan log dan anovapernyataan menguji perbedaan antara model menggunakan chi-square dengan derajat kebebasan yang biasa. Ini sepertinya tidak benar bagi saya. Jika benar, apakah ada yang tahu referensi yang membenarkan ini? Saya menyadari metode yang mengandalkan simulasi (Paper oleh Lewis et al., 2011) dan pendekatan yang dikembangkan oleh Vuong (1989) tetapi saya tidak berpikir bahwa inilah yang diproduksi di sini. Saya tidak berpikir bahwa penggunaan anovapernyataan itu benar.

r lme4-nlme likelihood-ratio nested-models

— amuba kata Reinstate Monica
sumber

Ini tidak benar ~~dalam dua cara~~ :

Uji rasio kemungkinan (biasa) hanya dapat digunakan untuk membandingkan model bersarang;
~~Kami tidak dapat membandingkan model rata-rata di bawah REML.~~ (Ini bukan masalahnya di sini, lihat komentar @ KarlOveHufthammer di bawah ini.)

Dalam hal menggunakan ML, saya sadar menggunakan AIC atau BIC untuk membandingkan model yang tidak bersarang.

— Randel
sumber

Mengenai poin 2, anova()fungsi dalam R tidak membandingkan dua model yang dipasang pada REML; mereparasi mereka menggunakan ML dan kemudian melakukan tes. Lihat lme4:::anova.merMod, yang berisi garis mods <- lapply(mods, refitML). (Tapi Anda masih benar yang anova()tidak dapat digunakan untuk membandingkan kedua model, karena mereka tidak bersarang.)

— Karl Ove Hufthammer

juga perhatikan bahwa ada beberapa ketidaksepakatan dalam bersarang: Brian Ripley mengatakan bahwa bersarang sangat penting untuk perbandingan AIC (lihat hal. 20 dari dokumen terkait untuk diskusi), sementara Anderson dan Burnham (lihat hal. 2) tidak setuju ..

— Ben Bolker

@ BenBolker Referensi lain (lihat juga ini dan ini ) untuk penggunaan AIC dengan model yang tidak bersarang, selama Anda mempertimbangkan semua konstanta normalisasi serta model non-patologis. Namun, dalam konteks LMM, Anda harus menggunakan beberapa modifikasi AIC.

— LessFaceMoreBook

Tautan hancur: Saya pikir stats.ox.ac.uk/ ~ripley/ModelChoice.pdf harus berfungsi.

— Ben Bolker

@ BenBolker, Brian Ripley cukup berargumentasi. Namun, ia belum memberikan argumen yang menghancurkan terhadap penggunaan AIC untuk model yang tidak bersarang :). Maaf karena mengulangi tautan Anda.

— LessFaceMoreBook