Regression lmerTest和lme4结果之间的差异
我有一个特定的值作为DV(因变量),我对BMI对DV的影响感兴趣。我对DV有多个观察结果(即每个受试者响应五次),因此我想拟合一个混合模型(对于每个ID的重复测量) 所以我所做的是:Regression lmerTest和lme4结果之间的差异,regression,lme4,mixed-models,Regression,Lme4,Mixed Models,我有一个特定的值作为DV(因变量),我对BMI对DV的影响感兴趣。我对DV有多个观察结果(即每个受试者响应五次),因此我想拟合一个混合模型(对于每个ID的重复测量) 所以我所做的是: 使用Bodo Winters教程-计算复杂模型和简单模型之间的差异 使用lmerTest 现在,结果非常不同,我不知道为什么 在我看来,您考虑的LR tets车型是错误的。对于BMI测试: m1我不能复制这个。使用一个非常类似的示例: library("lme4") m1 <- lmer(Reaction
lmerTest
m1我不能复制这个。使用一个非常类似的示例:
library("lme4")
m1 <- lmer(Reaction ~ Days + (1|Subject), data=sleepstudy)
m2 <- update(m1, .~.-Days)
anova(m1,m2)
## refitting model(s) with ML (instead of REML)
## Data: sleepstudy
## Models:
## m2: Reaction ~ (1 | Subject)
## m1: Reaction ~ Days + (1 | Subject)
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## m2 3 1916.5 1926.1 -955.27 1910.5
## m1 4 1802.1 1814.8 -897.04 1794.1 116.46 1 < 2.2e-16 ***
普通旧的anova(m1))
在这种情况下给出了类似的结果:
## Analysis of Variance Table
## Df Sum Sq Mean Sq F value
## Days 1 162703 162703 170.45
如果你不能提供一个可复制的例子,你能至少给我们展示一下输出吗??否则你不可能得到任何有用的帮助。谢谢你的评论,是的,我添加了输出。我希望有帮助。我现在试着用Alku的想法,但是我得到了和假人一样的结果。差异版本是否可能不适用于连续数据?到目前为止,我一直使用分类数据,得到的结果与lmertest和差异版本非常相似。
> m1 <- lmer(value ~ BMI + (1|ID), data=data, REML=FALSE)
> m2 <- lmer(value ~ 1 + (1|ID), data=data, REML=FALSE)
> anova(m1, m2)
Data: data
Models:
..1:value ~ 1 + (1 | ID)
object: value ~ BMI + (1 | ID)
Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
..1 3 2188.1 2201.0 -1091.1 2182.1
object 4 2149.4 2166.6 -1070.7 2141.4 40.687 1 1.787e-10 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
anova(lmer(value ~ BMI + (1|ID), data=data, REML=FALSE))
Analysis of Variance Table of type 3 with Satterthwaite
approximation for degrees of freedom
Sum Sq Mean Sq NumDF DenDF F.value Pr(>F)
BMI 0.17868 0.17868 1 110 0.059873 0.8072
library("lme4")
m1 <- lmer(Reaction ~ Days + (1|Subject), data=sleepstudy)
m2 <- update(m1, .~.-Days)
anova(m1,m2)
## refitting model(s) with ML (instead of REML)
## Data: sleepstudy
## Models:
## m2: Reaction ~ (1 | Subject)
## m1: Reaction ~ Days + (1 | Subject)
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## m2 3 1916.5 1926.1 -955.27 1910.5
## m1 4 1802.1 1814.8 -897.04 1794.1 116.46 1 < 2.2e-16 ***
library("lmerTest")
anova(lmer(Reaction ~ Days + (1|Subject), data=sleepstudy,
REML=FALSE))
## Analysis of Variance Table of type 3 with Satterthwaite
## approximation for degrees of freedom
## Sum Sq Mean Sq NumDF DenDF F.value Pr(>F)
## Days 162703 162703 1 162 170.45 < 2.2e-16 ***
## Analysis of Variance Table
## Df Sum Sq Mean Sq F value
## Days 1 162703 162703 170.45