我的数据包含许多设备,每个设备包含多个测量数据点(放大电压),因此数据按Serial_number分组。 然后我有一个lmer模型,一般描述为:
fit<- lmer(log(log(Amplification)) ~ poly(Voltage, **degree**) + (poly(Voltage, **degree**) | Serial_number), data = APD)
现在我想比较不同的多面体,每个多边形到3度的固定和随机效应。
E.g:
fit01<- lmer(log(log(Amplification)) ~ poly(Voltage, **0**) + (poly(Voltage, **1**) | Serial_number), data = APD)
fit11<- lmer(log(log(Amplification)) ~ poly(Voltage, **1**) + (poly(Voltage, **1**) | Serial_number), data = APD)
等等。我是否必须检查所有可能性(16个)或者我是否可以通过任何明智的假设来减少它?
最后我会anova(fit11,fit01)
等等......
问题是:当我现在比较每次两个不同的模型时,我真的需要进行大量的比较。
答案 0 :(得分:1)
您可以通过编程方式拟合模型,然后使用AIC对它们进行比较:
library(lme4)
combinations <- expand.grid(fixed = 1:3, random = 1:3)
models <- lapply(seq_len(nrow(combinations)), function(i) {
f <- as.formula(paste(
'mpg ~ poly(qsec,', combinations[i, 1], ') + (poly(qsec,', combinations[i, 2], ') | cyl)'
))
lmer(f, mtcars)
})
names(models) <- apply(combinations, 1, paste, collapse = '_')
aics <- sapply(models, function(m) summary(m)$AIC)
result <- data.frame(model = names(models), AIC = aics)
result <- result[order(result$AIC), ]
result$dAIC <- result$AIC - result$AIC[1]
result
model AIC dAIC 3_3.REML 3_3 155.7776 0.0000000 3_2.REML 3_2 155.9683 0.1907229 3_1.REML 3_1 156.0175 0.2398943 2_3.REML 2_3 160.1618 4.3842105 2_2.REML 2_2 160.2372 4.4595903 2_1.REML 2_1 160.3215 4.5438645 1_3.REML 1_3 164.5201 8.7424622 1_2.REML 1_2 165.2802 9.5025476 1_1.REML 1_1 165.3264 9.5487699