Як реалізувати змішану модель за допомогою функції betareg в R?

У мене є набір даних, що складається з пропорцій, які вимірюють "рівень активності" окремих пуголовків, тому встановлюють значення, пов'язані між 0 і 1. Ці дані збираються шляхом підрахунку кількості разів, яку людина перемістив за певний проміжок часу (1 для руху, 0 без руху), а потім усереднюється для створення одного значення на особу. Головним моїм фіксованим ефектом був би "рівень щільності".

Проблема, з якою я стикаюсь, полягає в тому, що у мене є факторна змінна «ставок», яку я хотів би включити як випадковий ефект - я не переймаюся різницями між ставками, але хотів би їх врахувати статистично. Важливим моментом щодо ставків є те, що у мене є лише 3 з них, і я розумію, що ідеально мати більше рівнів факторів (5+) при роботі з випадковими ефектами.

Якщо це можливо, я хотів би порадити, як реалізувати змішану модель за допомогою betareg()або betamix()в Р. Я прочитав файли довідки R, але зазвичай мені важко зрозуміти (що кожен параметр аргументу означає насправді в контексті моїх власних даних І що означають вихідні значення в екологічному плані), і тому я прагну краще працювати на прикладах.

У відповідній записці мені було цікаво, чи можу я замість цього використати glm()сімейство під двочленом та logit посилання, щоб здійснити облік випадкових ефектів за допомогою такого роду даних.

— Kat Y
джерело

ні, ви не можете включити умови помилки в glm (). А як щодо перетворення logit вашої відповіді та розгляду лінійної змішаної моделі?

— утобій

@utobi Дякую, я спробую це. Отже, у вас немає проблем щодо випадкового ефекту лише з 3 рівнями?

— Kat Y

Я не знаю значення вашої змінної "ставок", але якщо ви повторили заходи, випадкові ефекти майже обов'язкові. Якщо у вас немає повторних заходів, тут відкрита дискусія є випадковим проти фіксованого. Три рівні випадкових ефектів можуть бути нормальними, в принципі їх відмінність є оцінною. Я пропоную вам перевірити літературу вашої галузі. Хороша книга, в якій розповідається про випадкові та фіксовані ефекти - stat.columbia.edu/~gelman/arm .

— утобій

@utobi дякую за пораду. Це було корисно. Я погляну на цю книжку! Я в кінцевому підсумку робив перетворення logit і використовував lmer ().

— Kat Y

Ознайомтеся з цією відповіддю stats.stackexchange.com/questions/167340/…

— Diogo B Provete

Відповіді:

Поточні можливості системи betaregне включають випадкові / змішані ефекти. У betareg()ви можете включити тільки фіксований ефект, наприклад, для змінного ставка три рівня. У betamix()функції реалізує кінцевий суміш бета - регресії, а НЕ змішані ефекти бета - регресії.

У вашому випадку я спершу спробую побачити, який ефект має ефект фіксованого ставка на ставку. Це "коштує" вам двох ступенів свободи, тоді як випадковий ефект буде дещо дешевшим, лише одна додаткова ступінь свободи. Але я був би здивований, якби два підходи ведуть до дуже різних якісних розумінь.

Нарешті, поки glm()не підтримується бета-регресія, але в mgcvпакеті є betar()сімейство, яке можна використовувати з gam()функцією.

— Ахім Цейлей
джерело

Дякую за ваш внесок Ви уточнили деякі аспекти функцій betareg. У цей момент я взяв поради @utobi і зробив логіт перетворень, щоб я міг використовувати lmer (). Я буду розглядати gam (), оскільки наступний набір даних також пов'язаний між 0 і 1, і я не можу нормалізувати розподіли за допомогою перетворень :)

— Kat Y

Я б очікував, що підходи повернуть подібні результати, але також і деякі відмінності, з яких можна було б чомусь навчитися. Тому я рекомендував би спробувати всі три, тобто betaregз фіксованими ефектами, що перетворюються на logit lmerз випадковими ефектами та gamз betar. (А також: Якщо відповідь була корисною, подумайте про те, щоб відхилити або прийняти її.)

— Ахім Цайле

Пакет glmmTMB може бути корисним для тих, хто має подібне питання. Наприклад, якщо ви хочете включити ставок із зазначеного питання як випадковий ефект, наступний код зробив би трюк:

glmmTMB(y ~ 1 + (1|pond), df, family=list(family="beta",link="logit"))

— Корі К
джерело

Ласкаво просимо в CV. Дякую за ваш внесок. Це скоріше коментар, ніж відповідь. Чи можете ви продовжити свою відповідь?

— Ферді

Вибачте за затримку, я не побачив коментар одразу. Сподіваюся, що це допомагає.

— Корі К

Це почалося як коментар, але тривало довго. Я не думаю, що модель випадкових ефектів тут доречна. Є лише 3 ставки - ви хочете оцінити відхилення від 3 чисел? Це якось те, що відбувається з моделлю випадкових ефектів. Я здогадуюсь, що ставки були вибрані з-за зручності для дослідника, а не як випадкова вибірка "Ставки Америк".

Перевага моделі випадкових ефектів полягає в тому, що вона дозволяє побудувати довірчий інтервал на відповіді (рівні активності), який враховує зміну ставка до ставу. Модель фіксованих ефектів - іншими словами, поводження зі ставком як до блоку - коригує відповідь на ефект ставка. Якщо був якийсь додатковий ефект лікування - скажімо, два види жаби в кожному ставку - блокування зменшує середню квадратичну помилку (знаменник тесту F) і дозволяє ефекту від лікування світитися.

У цьому прикладі ефекту від лікування немає, і кількість ставків занадто мала для моделі випадкових ефектів (і, ймовірно, занадто "невипадкової"), тому я не впевнений, які висновки можна зробити з цього дослідження. Можна було б добре оцінити різницю між ставками, але це приблизно так. Я не бачу висновків для широкої популяції жаб в інших умовах ставу. Думаю, це можна було б дослідити як пілотне дослідження.

Майте на увазі, що будь-яке використання моделі випадкових ефектів тут дасть дуже ненадійну оцінку дисперсії ставка і його слід застосовувати обережно.

А щодо вашого початкового запитання - чи не це більше проблема ставки? Розподіл подій на події за одиницю часу - Пуассон. Таким чином, ви могли б робити регресію Пуассона, використовуючи підрахунки з тимчасовим інтервалом як зміщення.

— Плацидії
джерело