时间戳

首页 > 解决方案 > 对于具有连续和分类预测变量的 glmer 模型，应该使用什么事后检验？

r - 对于具有连续和分类预测变量的 glmer 模型，应该使用什么事后检验？

问题描述

我是 stats 和 R 的新手，所以需要一些指导来为我的 glmer 模型找到合适的事后测试。

该模型有一个二元因变量（不存在/存在），预测变量是连续变量（例如温度）和分类变量（物种，n = 3）之间的交互项。在模型上运行方差分析时，只有交互项，而不是孤立的连续因素，才会产生显着的结果。物种本身具有很大的影响，因为一个物种比其他物种稀有得多。我试图梳理这些物种的存在如何随着 pH 值和物种之间的变化而变化。

我已经尝试使用 Tukey 进行 lsmeans 测试，以及 Firth 的偏差减少逻辑回归，emmeans。我在交互项上运行了效果函数，因此对事后可以显示的结果有一个粗略的期望，但是 logistf (firth's) 产生的结果出乎我的意料。Emmeans 和 tukey 都给出了相同的结果并忽略了我假设的连续变量，因为它不是一个因素。

当我运行 firth 的回归时，它会产生卡方和 p 值，这些值对于 chi 值或 p 值是无穷大或天文数字很小，即使我通过效果看到的结果表明没有显着差异。我无法用交互术语来判断环境变量是否确实存在影响，或者显着影响是否是由于物种的差异。根据我对logistf函数的了解，我认为它不会产生卡方分数。这是编码问题还是因为我的数据？

如果我对某些事情不够清楚，请告诉我，如果有人有任何建议或建议，他们将不胜感激。谢谢！我使用的模型和测试代码如下：

###glmer model
Large<-glmer(Abs.Pres~ Species:Q.Depth+Species:Conductivity+Species:Temp+Species:pH+Species:DO.P+(1|QID),
             nAGQ=0,
             family=binomial,
             data=Stacked_Pref)
anova(Large)
 Output:Analysis of Variance Table
                     npar  Sum Sq Mean Sq F value
Species:Q.Depth         3 234.904  78.301 78.3014
Species:Conductivity    3  32.991  10.997 10.9970
Species:Temp            3  39.001  13.000 13.0004
Species:pH              3  25.369   8.456  8.4562
Species:DO.P            3  34.930  11.643 11.6434

###Firths
 Lp<-logistf(Abs.Pres~Species:pH, data=Stacked_Pref, contrasts.arg=list(pH="contr.treatment", Species="contr.sum"))
> Lp
logistf(formula = Abs.Pres ~ Species:pH, data = Stacked_Pref, 
    contrasts.arg = list(pH = "contr.treatment", Species = "contr.sum"))
Model fitted by Penalized ML
Confidence intervals and p-values by Profile Likelihood 

                         coef   se(coef) lower 0.95 upper 0.95    Chisq            p
(Intercept)         1.9711411 0.57309880  0.8552342  3.1015114 12.09107 5.066380e-04
SpeciesGoby:pH     -0.3393185 0.07146049 -0.4804047 -0.2003108 23.31954 1.371993e-06
SpeciesMosquito:pH -0.3001385 0.07127771 -0.4408186 -0.1614419 18.24981 1.937453e-05
SpeciesRFBE:pH     -0.4771393 0.07232469 -0.6200179 -0.3365343 45.73750 1.352096e-11

Likelihood ratio test=267.0212 on 3 df, p=0, n=3945

标签： rlme4posthoc

解决方案

推荐阅读