Як можна зробити тест гіпотези MCMC на регресійній моделі зі змішаним ефектом із випадковими нахилами?

Бібліотечна моваR забезпечує метод (pvals.fnc) для тестування значущості ефектів MCMC фіксованих ефектів в регресійній моделі змішаного ефекту, що підходить за допомогою lmer. Однак pvals.fnc видає помилку, коли модель lmer включає випадкові нахили.

Чи є спосіб зробити тест гіпотези MCMC таких моделей?
Якщо так, то як? (Щоб прийняти відповідь, має бути відпрацьований приклад на R) Якщо ні, чи є концептуальна / обчислювальна причина, чому немає способу?

Це питання може бути пов'язане з цим, але я не досить добре зрозумів його вміст, щоб бути певним.

Редагувати 1 : Доказ концепції, що показує, що pvals.fnc () все ще робить "щось" з lme4 моделями, але що нічого не робить із випадковими моделями нахилу.

library(lme4)
library(languageR)
#the example from pvals.fnc
data(primingHeid) 
# remove extreme outliers
primingHeid = primingHeid[primingHeid$RT < 7.1,]
# fit mixed-effects model
primingHeid.lmer = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1|Subject) + (1|Word), data = primingHeid)
mcmc = pvals.fnc(primingHeid.lmer, nsim=10000, withMCMC=TRUE)
#Subjects are in both conditions...
table(primingHeid$Subject,primingHeid$Condition)
#So I can fit a model that has a random slope of condition by participant
primingHeid.lmer.rs = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1+Condition|Subject) + (1|Word), data = primingHeid)
#However pvals.fnc fails here...
mcmc.rs = pvals.fnc(primingHeid.lmer.rs)

Він говорить: Помилка в pvals.fnc (primingHeid.lmer.rs): вибірка MCMC ще не реалізована в lme4_0.999375 для моделей з параметрами випадкової кореляції

Додатковий запитання: Чи працює pvals.fnc так, як очікувалося, для випадкової перехоплення? Чи слід довіряти результатам?

Схоже, ваше повідомлення про помилку стосується не різних схилів, а кореляційних випадкових ефектів. Ви також можете підходити до неспоріднених; тобто модель змішаних ефектів з незалежними випадковими ефектами:

Linear mixed model fit by REML
Formula: Reaction ~ Days + (1 | Subject) + (0 + Days | Subject)
Data: sleepstudy

від http://www.stat.wisc.edu/~bates/IMPS2008/lme4D.pdf

Ось (принаймні більшість) рішення з MCMCglmm.

Спочатку встановіть еквівалентну модель лише для перехоплення з дисперсією MCMCglmm:

library(MCMCglmm)
primingHeid.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition, 
                                random=~Subject+Word, data = primingHeid)

Порівнюючи підходи між MCMCglmmі lmer, перше завантаження моєї зламаної версії arm::coefplot:

source(url("http://www.math.mcmaster.ca/bolker/R/misc/coefplot_new.R"))
  ## combine estimates of fixed effects and variance components
pp  <- as.mcmc(with(primingHeid.MCMCglmm, cbind(Sol, VCV)))
  ## extract coefficient table
cc1 <- coeftab(primingHeid.MCMCglmm,ptype=c("fixef", "vcov"))
  ## strip fixed/vcov indicators to make names match with lmer output
rownames(cc1) <- gsub("(Sol|VCV).", "", rownames(cc1))
  ## fixed effects -- v. similar
coefplot(list(cc1[1:5,], primingHeid.lmer))
  ## variance components -- quite different.  Worth further exploration?
coefplot(list(cc1[6:8,], coeftab(primingHeid.lmer, ptype="vcov")),
         xlim=c(0,0.16), cex.pts=1.5)

Тепер спробуйте з випадковими нахилами:

primingHeid.rs.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition,
                                   random=~Subject+Subject:Condition+Word, 
                                   data = primingHeid)        
summary(primingHeid.rs.MCMCglmm)

Це дає певні "значення MCMC p" ... вам доведеться дослідити для себе і побачити, чи має все це сенс ...