豪斯曼'；s的规范测试；glmer"；来自lme4

我想建立一个“广义线性模型的固定/随机模型”（family=“二项式”），因为我有一个数据库，其中观测值来自总体，并且有一个分组结构。然后我使用

lme4

软件包中的

glmer

函数，并且我已经读到我可以使用库

MASS

中的

glmmPQL

函数（Faraway，2006）

当我想用豪斯曼测试（Greene，2012）证明随机模型和固定模型的使用是合理的时，我的问题就出现了。我找不到一个特定的函数可以让我这样做，类似于包

plm

中的

phtest

测试

---

如何证明使用随机模型的合理性？

这是对

plm:：phtest

函数的简单调整。我只对我实际更改的代码行进行了注释自担风险使用，如果可能，根据

plm:：phtest

的结果进行测试。我只是修改了代码，没有考虑它是否真的做了正确的事情

phtest_glmer <- function (glmerMod, glmMod, ...)  {  ## changed function call
    coef.wi <- coef(glmMod)
    coef.re <- fixef(glmerMod)  ## changed coef() to fixef() for glmer
    vcov.wi <- vcov(glmMod)
    vcov.re <- vcov(glmerMod)
    names.wi <- names(coef.wi)
    names.re <- names(coef.re)
    coef.h <- names.re[names.re %in% names.wi]
    dbeta <- coef.wi[coef.h] - coef.re[coef.h]
    df <- length(dbeta)
    dvcov <- vcov.re[coef.h, coef.h] - vcov.wi[coef.h, coef.h]
    stat <- abs(t(dbeta) %*% as.matrix(solve(dvcov)) %*% dbeta)  ## added as.matrix()
    pval <- pchisq(stat, df = df, lower.tail = FALSE)
    names(stat) <- "chisq"
    parameter <- df
    names(parameter) <- "df"
    alternative <- "one model is inconsistent"
    res <- list(statistic = stat, p.value = pval, parameter = parameter, 
        method = "Hausman Test",  alternative = alternative,
                data.name=deparse(getCall(glmerMod)$data))  ## changed
    class(res) <- "htest"
    return(res)
}

---

你能再多给我一点信息吗？我找到了，但我不确定b_0和b_1代表什么：它们只是固定效应协变量（即不包括分组变量）吗？谢谢你的帮助！我很担心，因为我没有在R中找到一个特定的函数，特别是在lme4包中，来执行这个测试，所以我怀疑它是否可以完成。或者如果我能证明随机模型最适合数据（anova）。有一个类似的问题：我不确定维基百科的解释，所以我给你看格林的定义。“该检验的依据是，在无相关性的假设下，OLS、LSDV和FGLS估计值都是一致的，但OLS是无效的，而在另一种假设下，LSDV是一致的，但FGLS不是。因此，在零假设下，这两个估计值不应系统地不同，而tes cam应基于差异。”（Greene，2012）。Greene的例子：“我们从固定效应结果和b_-e和V_-e的前九个元素（不包括常数项）中检索了系数向量和估计的渐近协方差矩阵b_-e和V_-e”。[我不知道为什么有九个第一元素。]H=（b_-e-b_-e）]方差分析不会特别有效，因为很难证明一个模型嵌套在另一个模型中的要求（这是应用似然比检验的必要条件）。

library(lme4)
gm1 <- glmer(cbind(incidence, size - incidence) ~ period + (1 | herd),
                   data = cbpp, family = binomial)
gm0 <- glm(cbind(incidence, size - incidence) ~ period +  herd,
                   data = cbpp, family = binomial)

phtest_glmer(gm1,gm0)
##  Hausman Test
## data:  cbpp
## chisq = 10.2747, df = 4, p-value = 0.03605
## alternative hypothesis: one model is inconsistent

library("nlme")
fm1 <- lme(distance ~ age, data = Orthodont) # random is ~ age
fm0 <- lm(distance ~ age*Subject, data = Orthodont)
phtest_glmer(fm1,fm0)

## Hausman Test 
## data:  Orthodont
## chisq = 0, df = 2, p-value = 1
## alternative hypothesis: one model is inconsistent