MuMIn
R
21 ( про який згадувалося в попередньому відповіді ).
#load packages
library(lme4)
library(MuMIn)
#Fit Model
m <- lmer(mpg ~ gear + disp + (1|cyl), data = mtcars)
#Determine R2:
r.squaredGLMM(m)
R2m R2c
0.5476160 0.7150239
Вихід для функції r.squaredGLMM
забезпечує:
R2m : граничне значення R квадрата, пов'язане з фіксованими ефектами
R2c значення R2, пов'язане з фіксованими ефектами плюс випадкові ефекти.
Примітка: коментар до пов’язаної публікації блогу говорить про те, що альтернативний підхід на Нагагава та Шильцет надихнув Джон Лефчек (використовуючи sem.model.fits
функцію вpiecewiseSEM
пакеті), дав однакові результати. [Отже, у вас є варіанти: p].
Я не перевіряв цю останню функцію, але я протестував r.squaredGLMM()
функцію в MuMIn
пакеті, і тому я можу засвідчити, що вона функціонує і сьогодні (2018).
2
1: Nakagawa, S., Schielzeth, H. 2013. Загальний і простий метод отримання R2 з узагальнених лінійних моделей змішаних ефектів. Методи в екології та еволюції 4 (2): 133-142.
2: Джонсон, PCD 2014 Розширення Nagagawa & Schielzeth R2GLMM до випадкових моделей схилів. Методи екології та еволюції 5: 44–946.