为什么Anova()和drop1()为GLMM提供了不同的答案?


10

我有以下形式的GLMM:

lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + 
                (1 | factor3), family=binomial)

当我使用时drop1(model, test="Chi"),我得到的结果与Anova(model, type="III")从汽车包装或汽车上获得的结果不同summary(model)。后两个给出相同的答案。

通过使用大量虚构数据,我发现这两种方法通常没有区别。对于平衡线性模型,不平衡线性模型(不同组中的n不相等)和平衡广义线性模型,它们给出相同的答案,但对于平衡广义线性混合模型,它们给出相同的答案。因此看来,只有在包括随机因素的情况下,这种矛盾才会显现出来。

  • 为什么这两种方法之间存在差异?
  • 使用GLMM时应使用Anova()还是drop1()应使用?
  • 至少就我的数据而言,两者之间的差异很小。哪一个使用都重要吗?

Answers:


7

我认为这是计算哪些测试的区别。car::Anova使用Wald检验,而drop1对模型进行了拟合以除去单个项。约翰·福克斯(John Fox)曾经写信给我,瓦尔德(Wald)测试和使用似然比检验(即的策略drop1)从改型模型中进行的检验都同意线性模型,但不一定是非线性模型。不幸的是,该邮件已被取消列出,并且没有任何参考。但我知道他的书中有一章关于Wald测试,其中可能包含所需的信息。

的帮助car::Anova说:

II类测验是根据边际性原则计算的,每个测验都在所有其他测验之后进行,除非忽略了该测验的高阶亲属。所谓的III型测试违反了边际性,在模型中的所有其他术语之后进行测试。II型检验的定义对应于SAS针对方差分析模型进行的检验,其中所有预测因素都是因素,但不是更普遍(即,当存在定量预测因素时)。在为III型检验建立模型时要格外小心,否则检验的假设就没有意义。

不幸的是,由于我也想知道这一点,所以我无法回答您第二或第三个问题。


更新搜索注释

广义混合模型没有Wald,LR和F检验。Anova只允许"chisq""F"测试混合模型(即"mer"所返回的对象lmer)。用法部分说:

## S3 method for class 'mer'
Anova(mod, type=c("II","III", 2, 3), 
    test.statistic=c("chisq", "F"), vcov.=vcov(mod), singular.ok, ...)

但是,由于mer对象的F检验是由计算的pbkrtest,据我所知,它仅适用于线性混合模型,Anova因为GLMM应该总是返回chisq(因此,您看不到差异)。

有关该问题的更新:

我以前的答案只是试图回答您的主要问题,之间的差异Anova()drop1()。但是现在我知道您想测试某些固定效果是否显着。关于此,R-sig混合建模常见问题说明了以下内容:

单个参数测试

从最坏到最好:

  • Wald Z检验
  • 对于可以计算df的平衡嵌套LMM:Wald t检验
  • 似然比测试,可以通过建立模型以使参数可以隔离/删除(通过方差分析或drop1),也可以通过计算似然曲线进行
  • MCMC或参数自举置信区间

效果测试(即测试多个参数同时为零)

从最坏到最好:

  • Wald卡方检验(例如car :: Anova)
  • 似然比测试(通过方差分析或drop1)
  • 对于可以计算df的平衡,嵌套LMM:条件F检验
  • 对于LMM:带df校正的条件F检验(例如pbkrtest软件包中的Kenward-Roger)
  • MCMC或参数(或非参数)引导程序比较(非参数引导程序必须仔细实施以考虑分组因素)

(添加了重点)

这表明car::Anova()通常不建议您使用用于GLMM的方法,但是应该使用使用MCMC或引导程序的方法。我不知道是否pvals.fnclanguageRGLMM 的包装锅中取出,但是值得尝试。


1
谢谢,亨里克。Anova()可以计算三个不同的测试:Wald,LR和F。我已经尝试了所有三个测试,但是没有什么区别,我觉得很奇怪。我有一种感觉,该函数将拒绝使用它认为不适合该数据的测试...
tim.farkas 2012年
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.