Що легко інтерпретувати, корисність придатних заходів для лінійних моделей зі змішаними ефектами?

Зараз я використовую пакет Rme lme4 .

Я використовую лінійні моделі змішаних ефектів із випадковими ефектами:

library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect + 
            # random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects + 
            # random effects

Для порівняння моделей я використовую anovaфункцію та розглядаю відмінності AIC щодо найнижчої моделі AIC:

anova(mod1, mod2, mod3)

Сказане вище чудово для порівняння моделей.

Однак мені також потрібен простий спосіб інтерпретувати корисність відповідних заходів для кожної моделі. Хтось має досвід таких заходів? Я провів декілька досліджень, і є журнальні статті на R у квадраті для фіксованих ефектів змішаних ефектів:

• Cheng, J., Edwards, LJ, Maldonado-Molina, MM, Komro, KA, & Muller, KE (2010). Справжній поздовжній аналіз даних для реальних людей: Створення досить хорошої змішаної моделі. Статистика в медицині, 29 (4), 504-520. doi: 10.1002 / sim.3775
• Edwards, LJ, Muller, KE, Wolfinger, RD, Qaqish, BF, & Schabenberger, O. (2008). Статистика R2 для фіксованих ефектів у лінійній змішаній моделі. Статистика в медицині, 27 (29), 6137-6157. doi: 10.1002 / sim.3429

Однак видається, що є певна критика щодо використання таких заходів, як запропоновані у вищезазначених документах.

Чи не може хтось запропонувати кілька простих для тлумачення, корисність відповідних заходів, які можуть застосовуватися до моїх моделей?

Для лінійних змішаних моделей немає нічого такого, як просто інтерпретувати корисність міри підгонки :)

Випадковий ефект підходить (mod1) можуть бути виміряні ICCта ICC2(співвідношення між дисперсією враховується випадковими ефектами і залишкової дисперсією). Психометричний пакет R включає функцію вилучення їх з об'єкта lme.

Можна використовувати R2для оцінки фіксованого ефекту (mod2, mod3), але це може бути хитро: Коли дві моделі показують схожий R2, то може бути випадок, що одна є "точнішою", але це замасковано її фіксованим фактором " віднімання "більшої дисперсійної складової до випадкового ефекту. З іншого боку, легко інтерпретувати більший R2 моделі вищого порядку (наприклад, mod3). У главі Бааєна про змішані моделі є приємна дискусія з цього приводу. Крім того, це підручник дуже зрозумілий.

Можливе рішення - розглянути кожен variance componentсамостійно, а потім використовувати їх для порівняння моделей.