我正在使用R中的GLM对数据集进行统计分析。基本上，预测变量是：＆＃34;探针＆＃34;（实验中使用的探针类型 - 4级因子），＆＃34;提取＆ ＃34;（实验中使用的提取类型 - 具有2个级别的因子），＆＃34; Tank＆＃34;（从中收集样品的罐号 - 从1到9的整数），以及＆＃34;稀释＆ ＃34;（每个样品的稀释度 - 数字：3.125,6.25,12.5,25,50,100）。响应是从多次重复实验中获得的阳性反应数（＆＃34;阳性＆＃34;）（＆＃34; Rep＆＃34;）。我想评估所有预测变量（及其相互作用）对积极响应数量的影响，因此我尝试拟合这样的GLM模型：
y<-cbind(mydata$Positive,mydata$Rep - mydata$Positive)
model1<-glm(y~Probe*Extraction*Dilution*Tank, family=quasibinomial, data=mydata)
但我后来被我的主管告知，＆＃34;坦克＆＃34;预测变量不应被视为基于水平的变量。即它的值为1到9，但它只是坦克标签，因此1和7之间的差异并不重要。将此变量视为因子只会使得大型模型的结果不佳。那么如何对待＆＃34; Tank＆＃34;变量作为随机因子并将其包含在GLM中？
由于
答案 0 :(得分：4)
它被称为“混合效应模型”。看看lme4包。
library(lme4)
glmer(y~Probe + Extraction + Dilution + (1|Tank), family=binomial, data=mydata)
此外，您应该使用+而不是*来添加因子。 *包括每个因素的所有相互作用和水平，这将导致巨大的过度拟合模型。除非您有特定的理由相信存在交互，否则您应该明确地编写该交互。