Question

我想使用lmer()对生物数据随时间的治疗效果进行建模，以考虑个体效应。通常使用的过程是通过逐步删除固定效果和交互项来构建多个模型，然后使用anova(model1,model2)找到最佳模型，并在找到非显着差异时保持最奇怪的模型。但是我在summary(model1)和anova (model1,model2)的输出之间找到了不同的模型适应度值（AIC，BIC ..）。这是代码：

#Data are in z6
m1<-lmer(Brightness~factor(FT)*factor(Time)+(1|ID),z6)
m2<-lmer(Brightness~factor(FT)+factor(Time)+(1|ID),z6)
summary(m1)@AICtab 
AIC     BIC    logLik deviance  REMLdev
2284.223 2335.65 -1128.112  2301.36 2256.223
summary(m2)@AICtab
AIC      BIC    logLik deviance  REMLdev
2298.247 2331.307 -1140.124  2302.42 2280.247
anova(m1,m2)
Data: z6
Models:
m2: Brightness ~ factor(FT) + factor(Time) + (1 | ID)
m1: Brightness ~ factor(FT) * factor(Time) + (1 | ID)
Df    AIC    BIC  logLik  Chisq Chi Df Pr(>Chisq)
m2  9 2320.4 2353.5 -1151.2                         
m1 14 2329.4 2380.8 -1150.7 1.0601      5     0.9576

比较summary()输出时，两个模型之间有14个AIC单位差异，但anova()只有9个。这种差异来自哪里？提前谢谢。

Answer 1

您的模型具有不同的固定效果，因此通过REML进行拟合不适合您所显示类型的模型比较。 anova()方法知道这一点并计算ML估计值。 summary()方法使用REML估计值（后者在输出中清楚地表示）。

请注意，logLik值在两个摘要和anova()输出中有所不同。前者是REML对数似然，后者是ML可能性。由于AIC等是对数似然的函数，这足以说明报告的AIC差异。

如果模型不是通过REML拟合的话，anova()方法可以计算ML估计值，因此如果比较的模型在固定效应方面不同，那么它是正确的。

如果您要在研究中部署这些方法，我强烈建议您阅读REML和ML估计及其相关优点，用途等，如果以上内容对您而言是新闻。

lmer（）和anova（）之间模型适应度估计的差异

1 个答案: