我想使用 lmer()
模拟生物数据随时间的治疗效果,以考虑个体效应 . 通常使用的过程是通过逐步删除固定效果和交互项来构建多个模型,然后使用 anova(model1,model2)
找到最佳模型,并在找到非显着差异时保持最奇怪的模型 . 但是我在 summary(model1)
和 anova (model1,model2)
的输出之间找到了不同的模型适应值(AIC,BIC ..) . 这是代码:
#Data are in z6
m1<-lmer(Brightness~factor(FT)*factor(Time)+(1|ID),z6)
m2<-lmer(Brightness~factor(FT)+factor(Time)+(1|ID),z6)
summary(m1)@AICtab
AIC BIC logLik deviance REMLdev
2284.223 2335.65 -1128.112 2301.36 2256.223
summary(m2)@AICtab
AIC BIC logLik deviance REMLdev
2298.247 2331.307 -1140.124 2302.42 2280.247
anova(m1,m2)
Data: z6
Models:
m2: Brightness ~ factor(FT) + factor(Time) + (1 | ID)
m1: Brightness ~ factor(FT) * factor(Time) + (1 | ID)
Df AIC BIC logLik Chisq Chi Df Pr(>Chisq)
m2 9 2320.4 2353.5 -1151.2
m1 14 2329.4 2380.8 -1150.7 1.0601 5 0.9576
比较 summary()
输出时,两个模型之间有14个AIC单位差异,但 anova()
中只有9个 . 这种差异来自哪里?提前致谢 .
1 回答
您的模型具有不同的固定效果,因此通过REML进行拟合不适合您所显示类型的模型比较 .
anova()
方法知道这一点并计算ML估计值 .summary()
方法使用REML估计值(后者在输出中清楚地表示) .请注意,两个摘要和
anova()
输出中的logLik
值不同 . 前者是REML对数似然,后者是ML可能性 . 由于AIC等是对数似然的函数,这足以说明报告的AIC差异 .如果模型不是通过REML拟合的话,
anova()
方法可以计算ML估计值,因此如果比较的模型在固定效应方面不同,那么它是正确的 .如果您打算在研究中部署这些方法,我强烈建议您阅读REML和ML估计及其相关优点,用途等,如果上述内容对您而言是新闻 .