广义线性混合模型：诊断

我有一个随机截距逻辑回归（由于重复测量），我想做一些诊断，特别是关于异常值和有影响力的观察结果的诊断。

我查看了残差以查看是否有突出的观察结果。但我也想看看类似库克的距离或DFFITS。Hosmer和Lemeshow（2000）说，由于缺乏用于关联数据的模型诊断工具，因此应该只适合常规logistic回归模型而忽略相关性，而应使用可用于常规logistic回归的诊断工具。他们认为这比完全不进行诊断要好。

这本书是2000年出版的，我想知道现在是否有可用的方法用于模型诊断和混合效应逻辑回归？什么是检查异常值的好方法？

编辑（2013年11月5日）：

由于缺乏响应，我想知道使用混合模型进行的诊断是否一般而言没有进行，或者在对数据建模时不是很重要的一步。因此，让我重新表述我的问题：一旦找到“良好”的回归模型，您会怎么做？

对于广义线性混合模型，诊断方法的确不同。我看到的一个基于GLMM残差的合理值归功于Pan和Lin（2005，DOI：10.1111 / j.1541-0420.2005.00365.x）。他们一直在使用残差的累加总和，其中通过解释变量或线性预测变量施加排序，从而测试给定预测变量的功能形式的规范或整个链接函数。零位分布基于正确规范的零位分布对设计空间的仿真，并且证明了该测试的良好尺寸和功率特性。他们没有具体讨论离群值，但是我可以想象，离群值可能应该通过将其过多地弯曲到有影响力的观察结果而至少放弃链接函数。

对于查看混合模型诊断的最佳方法是什么，有很多不同的意见。通常，您将要同时查看残差和非重复测量模型要检查的标准方面。

除了这些以外，通常，您还需要查看随机效果本身。方法通常涉及通过各种协变量绘制随机效应，并在随机效应分布中寻找非正态性。还有更多的方法（前面的注释中提到了一些方法），但这通常是一个好的开始。