#r #lme4 #mixed-models
#r #lme4 #смешанные модели
Вопрос:
Я использую базовую модель смешанного эффекта с lmer() в R. Допустим, у меня есть 2 условия внутри объекта. В каждом условии субъект предоставляет одну меру.
lmer(measure ~ condition (1|subject),
REML = TRUE, data = My_data)
Аргумент REML по умолчанию имеет значение TRUE. Тем не менее, в нескольких примерах, которые я прочитал, люди устанавливают его как FALSE.
Согласно документации «логический скаляр — следует ли выбирать оценки для оптимизации критерия REML (в отличие от логарифмического правдоподобия)?»
Существуют ли реальные различия в оценках фиксированных или случайных эффектов при использовании того или иного метода. Когда REML должно быть TRUE? Когда оно должно быть FALSE?
Комментарии:
1. Вам не следует использовать REML fits, если вы хотите сравнить две модели с разными фиксированными эффектами. Но lme4 переоборудует модели в таком случае для вас.
2. Предположим, я не сравниваю две модели. Когда я должен указывать TRUE или FALSE?
3. Обычно следует использовать подгонку REML.
4. Использовать ML можно только тогда, когда вы хотите сравнить две вложенные модели. В противном случае используйте REML fits. Почему это предпочтительнее с точки зрения вычислений, объясняется Д. Бейтсом здесь -> [ссылка] ( cran.r-project.org/web/packages/lme4/vignettes/Theory.pdf ) PDF-файл находится в разделе виньетки для пакета lme4 на CRAN.
5. На этот вопрос есть хороший ответ в stats.stackexchange.com/a/272654/53514 .
Ответ №1:
Основываясь на приведенном выше комментарии, хороший ответ можно найти здесь:
Цитирую автора: «Обычно полезно использовать REML, если он доступен, когда вас интересует величина отклонений случайных эффектов, но никогда, когда вы сравниваете модели с различными фиксированными эффектами с помощью тестов гипотез или информационно-теоретических критериев, таких как AIC».