REML或ML比较具有不同固定效果但具有相同随机效果的两个混合效果模型?


18

背景: 注意:我的数据集和R代码包含在文本下方

我希望使用AIC比较使用R中的lme4包生成的两个混合效果模型。每个模型都有一个固定效果和一个随机效果。模型之间的固定效果不同,但模型之间的随机效果保持不变。我发现如果我使用REML = T,则model2的AIC分数较低,但是如果我使用REML = F,则model1的AIC分数较低。

支持使用ML:

Zuur等。(2009年;第122页)建议“要比较具有嵌套固定效应(但具有相同随机结构)的模型,必须使用ML估计而不是REML。” 这向我表明我应该使用ML,因为两个模型的随机效果都相同,但是固定效果却不同。[Zuur等。2009。R.Springer的《混合效应模型和生态学扩展》。

支持使用REML:

但是,我注意到当我使用ML时,两个模型之间与随机效应相关的剩余方差有所不同(模型1 = 136.3;模型2 = 112.9),但是当我使用REML时,模型之间是相同的(模型1 =模型2 = 151.5)。这对我来说意味着我应该改为使用REML,以便具有相同随机变量的模型之间的随机残差保持相同。

题:

在固定效应改变而随机效应保持不变的模型比较中,使用REML比ML更有意义吗?如果不是,您能解释为什么还是将我指向其他能解释更多内容的文献吗?

# Model2 "wins" if REML=T:
REMLmodel1 = lmer(Response ~ Fixed1 + (1|Random1),data,REML = T)
REMLmodel2 = lmer(Response ~ Fixed2 + (1|Random1),data,REML = T)
AIC(REMLmodel1,REMLmodel2)
summary(REMLmodel1)
summary(REMLmodel2)

# Model1 "wins" if REML=F:
MLmodel1 = lmer(Response ~ Fixed1 + (1|Random1),data,REML = F)
MLmodel2 = lmer(Response ~ Fixed2 + (1|Random1),data,REML = F)
AIC(MLmodel1,MLmodel2)
summary(MLmodel1)
summary(MLmodel2)

资料集:

Response    Fixed1  Fixed2  Random1
5.20    A   A   1
32.50   A   A   1
6.57    A   A   2
24.77   A   B   3
41.69   A   B   3
34.29   A   B   4
1.80    A   B   4
10.00   A   B   5
15.56   A   B   5
4.44    A   C   6
21.65   A   C   6
9.20    A   C   7
4.11    A   C   7
12.52   B   D   8
0.25    B   D   8
27.34   B   D   9
11.54   B   E   10
0.86    B   E   10
0.68    B   E   11
4.00    B   E   11

2
Faraway(2006)用R扩展线性模型(第156页):“原因是REML通过考虑去除固定效应的数据的线性组合来估计随机效应。如果这些固定效应发生变化,则两种模式将无法直接进行比较。”
jvh_ch 2014年

尽管AIC是基于可能性的,但据我所知,它是为进行预测而开发的。如何准确地将混合模型应用于预测?
AdamO 2014年

@AdamO,您能更精确吗?拟合的混合模型可用于总体级别(通过将条件模式/ BLUP设置为零来预测未指定/未知单位的响应)或单个级别(针对条件模式/ BLUP的估计进行条件预测) )。如果您可以更具体一些,那么可能会提出一个新的简历问题。
本·博克

我只是不清楚您打算如何应用此模型。问题中没有任何内容表明正在进行什么样的预测(如果有的话),或者是否有必要,以及出于何种目的。
AdamO

Answers:


22

Zuur等人和Faraway(来自@janhove的上述评论)是正确的;使用基于似然的方法(包括AIC)来比较REML拟合的具有不同固定效果的两个模型通常会导致胡说八道。


4
感谢@ janhove,AdamO和Ben Bolker。我还发现Aaron的此链接对回答此问题很有帮助。它说:“ REML的可能性取决于模型中的固定效应,因此,如果固定效应发生变化,则不可比较。尽管通常认为REML可以对随机效应提供更好的估计,所以通常的建议是适合使用REML进行最终推断和报告的最佳模型。”

11

XX~RnX~XB

X~=XB

BXB

V

|V|1/2|X~V1X~|1/2exp((yX~β~)V1(yX~β~)/2)

β=(X~V1X~)1yX=X~B

|B||V|1/2||XV1X|1/2|exp((yXβ¯)V1(yXβ¯)/2)

β¯=(XV1X)1y|B|

|B|1

这是为什么在比较具有不同固定效果的模型时不应使用REML的一个示例。然而,REML通常会更好地估计随机效应参数,因此有时建议使用ML进行比较,而REML则用于估计单个(可能是最终的)模型。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.