statistics - 如何评价二次项的三向交互作用的显着性?
问题描述
我有以下两种混合模型
完整模型(具有三向交互)
m_Kunkle_pacc3_n <- lmer(pacc3_old ~ PRS_Kunkle*AgeAtVisit +
PRS_Kunkle*I(AgeAtVisit^2) +
APOE_score*AgeAtVisit + APOE_score*I(AgeAtVisit^2) + PRS_Kunkle*APOE_score + famhist +
+ gender + EdYears_Coded_Max20 + VisNo + X1 + X2 + X3 + X4 + X5 +
(1 |family/DBID),
data = WRAP_all, REML = F)
嵌套模型(排除三向交互作用(排除两个变量:线性年龄和二次年龄的三向交互作用))
m_Kunkle_pacc3 <- lmer(pacc3_old ~ PRS_Kunkle*AgeAtVisit*APOE_score +
PRS_Kunkle*I(AgeAtVisit^2)*APOE_score +
+ gender + EdYears_Coded_Max20 + VisNo + famhist + X1 + X2 + X3 + X4 + X5 +
(1 |family/DBID),
data = WRAP_all, REML = F)
我使用似然比检验来检验完整模型和嵌套模型之间的差异,我在检验这种三向交互的显着性时是否正确?
pacc3_LRT_Kunkle <- anova(m_Kunkle_pacc3, m_Kunkle_pacc3_n, test = "chisq")
非常感谢
解决方案
如果您对测试三向交互的重要性感兴趣,我认为通常您应该在单个模型的上下文中进行测试。您首先根据理论考虑和某些指标选择模型,然后查看您选择的模型的参数。例如,BIC 与模型的负对数似然相关,因为模型的复杂性(它也取决于您的样本大小)而受到惩罚,您可以使用 BIC 在相互竞争的选项中选择模型。一旦你选择了一个包含特定交互项的模型,你就可以评估它的系数。我应该警告您,解释三向交互可能非常具有挑战性,因此您也应该在问题的背景下考虑这一点。
TLDR;将具有术语的模型与没有术语的模型进行比较(无论您查看它们的 R^2、比较可能性还是惩罚可能性等)将告诉您有关整个模型的信息,而不是参数本身。
推荐阅读
- php - 如何在codeigniter中导航特定页面
- python - 如何在python中将文本绘制到位图?
- algorithm - 递归函数的运行时间
- python - Pandas DataFrame.loc 返回 Empty DataFrame
- mongodb - 为子文档投影具有不同关键节点的多个文档
- vb.net - 在visual basic datagridview中自动调整列标题
- php - 在 Cakephp2.10 中调用 null 上的成员函数 find()
- r - rkafka.read() 不返回消息(仅返回双引号)
- javascript - 解决拨打电话时反应冻结的问题
- python - 使函数线程安全