Question

我在 R 中运行以下代码行：

select ARPDisplayName0, count(*) as Total
from
(
select 
    
    CASE WHEN ARPDisplayName0  like 'Crystal Reports 2008%' THEN 'Crystal Reports 2008'
    WHEN ARPDisplayName0  like 'Crystal Reports 2011%'   THEN 'Crystal Reports 2011'
    ELSE ARPDisplayName0  END ARPDisplayName0,
    count(ARPDisplayName0) as Software_Count

from v_gs_INSTALLED_SOFTWARE

where
ARPDisplayName0  like '%Crystal Reports%'

)t

group by ARPDisplayName0
order by ARPDisplayName0

我看到了这个结果：

model = lme(divedepth ~ oarea, random=~1|deployid, data=GDataTimes, method="REML")
summary(model)

但是，我找不到随机变量的 p 值：Linear mixed-effects model fit by REML Data: GDataTimes AIC BIC logLik 2512718 2512791 -1256352 Random effects: Formula: ~1 | deployid (Intercept) Residual StdDev: 9.426598 63.50004 Fixed effects: divedepth ~ oarea Value Std.Error DF t-value p-value (Intercept) 25.549003 3.171766 225541 8.055135 0.0000 oarea2 12.619669 0.828729 225541 15.227734 0.0000 oarea3 1.095290 0.979873 225541 1.117787 0.2637 oarea4 0.852045 0.492100 225541 1.731447 0.0834 oarea5 2.441955 0.587300 225541 4.157933 0.0000 [snip] Number of Observations: 225554 Number of Groups: 9。我如何才能看到这个值？

Answer 1

如评论中所述，GLMM FAQ 中有关于随机效应显着性检验的内容。你绝对应该考虑：

为什么您真的对 p 值感兴趣（它不是从不感兴趣，但这是一个不寻常的情况）
似然比检验对于检验方差参数极其保守的事实（在这种情况下，它给出了 2 倍大的 p 值）

这里有一个例子，说明 lme() 拟合和没有随机效应的相应 lm() 模型具有 commensurate 对数似然（即，它们在可比较的方式）并且可以与 anova() 进行比较：

加载包并模拟数据（零随机效应方差）

library(lme4)
library(nlme)
set.seed(101)
dd <- data.frame(x = rnorm(120), f = factor(rep(1:3, 40)))
dd$y <- simulate(~ x + (1|f),
                 newdata = dd,
                 newparams = list(beta = rep(1, 2),
                                  theta = 0,
                                  sigma = 1))[[1]]

拟合模型（请注意，您不能将拟合 REML 的模型与没有随机效应的模型进行比较）。

m1 <- lme(y ~ x , random = ~ 1 | f, data = dd, method = "ML")
m0 <- lm(y ~ x, data = dd)

测试：

anova(m1, m0)
##    Model df      AIC      BIC    logLik   Test      L.Ratio p-value
## m1     1  4 328.4261 339.5761 -160.2131                            
## m0     2  3 326.4261 334.7886 -160.2131 1 vs 2 6.622332e-08  0.9998

这里的测试正确识别出两个模型是相同的，并给出了 1 的 p 值。

如果您使用 lme4::lmer 而不是 lme，您还有其他一些更准确（但速度较慢）的选项（用于基于模拟的测试的 RLRsim 和 PBmodcomp 包）：请参阅 GLMM 常见问题解答。

如何在线性混合效应模型中找到随机效应的 p 值？

1 个答案: