固定項から始める前に、GLMM で最適なランダム効果構造を選択しようとしています。そのために、すべての固定効果とその相互作用 (最適モデルを超えたもの) を含めてから、確率因子のさまざまな組み合わせを試します。式 lmer() を使用しています。モデルはREMLで推定されました。次に、各モデルの AIC() を取得して比較します。
しかし、変量効果のないモデルの AIC も知りたいです。私は gls() を使用する必要があることを読みました。しかし、glm() も使用できます。また、gls を使用した同じモデルの AIC と、glm を使用した同じモデルの AIC は大きく異なります。
これは、GLMM で最適なランダム効果構造を選択するための最良の方法ですか? lmer() で取得した AIC 値を、gls または glm で取得した他の AIC 値と比較できますか??
よろしくお願いします！
また、GLMM の代替ランダム効果構造をテストするための優れたソリューションを探していました。ここでは、このトピックに関するいくつかの素晴らしい議論があります。課題の最良の一般的な概要は、ここにかなりうまくまとめられています。しかし、解決策の大部分は開発中であるか、ほとんどのレビュアー、共著者、および他の読者が理解するにはあまりにも先に進んでいるように見えます. 問題は、変量効果コンポーネントの複雑さが増すにつれて、AIC スコアは一般的に低くなりますが、これらのモデルは依然としてデータを過適合している可能性があることです。私は、実験計画、実用性、および直感に従ってランダム効果構造を設定する傾向があります。
元のデータをトレーニング セットとテスト セットにランダムに分割し、競合するモデル間で AUC スコアを比較することで、GLMM の代替ランダム効果構造をテストしました。これが完璧な解決策かどうかはわかりませんが、私にとってはうまくいったようです。
これが機能するかどうか、または適切な解決策であるかどうかはわかりません。しかし、AIC スコアを比較すると、ネストされた変量効果を持つ赤のモデルが最良のように見えました。ここで相互検証により、PlotID 単独 (緑) の単一のランダム効果が、より複雑なランダム効果構造を持つ競合モデルと同じくらい優れていることがわかります。
ここで、PlotID のランダム インターセプトが 1 つあるモデルがモデルと同じくらい優れていることがわかります。