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?
答案 0 :(得分: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:
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。