¿GLMM o LME? ¿Ayudan las medidas repetidas?

Question

Tengo problemas para utilizar el código correcto de test y r para mi experimento. Esencialmente he medido la emergencia de insectos diariamente de arroyos artificiales con 3 tratamientos.:

CONTROL - With 5 replicate streams  
TREAT 1 - With 5 Replicate streams  
TREAT 2 - With 5 Rep streams.  
TREAT 2- With 5 rep streams  

Creo que lo que básicamente quiero hacer es esto: Emergencia = Tratamiento + Día + Tratamiento*Día

Búsqueda de un efecto del tratamiento sobre la emergencia de los insectos a lo largo del tiempo (día)

Actualización, acabo de ejecutar el modelo de abajo, pero parece estar dejando caer un grupo de tratamiento?

Corrió este modelo:

> model6 <- lmer(Emerg ~ Day + Treatment + Day:Treatment + (Day | Stream), insect)
> summary(model6)

Linear mixed model fit by REML ['lmerMod']
Formula: 
Emerg ~ Day + Treatment + Day:Treatment + (Day | Stream)
   Data: insect

REML criterion at convergence: 2070.8

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-3.0321 -0.4694 -0.0445  0.3883  4.8618 

Random effects:
 Groups   Name        Variance  Std.Dev. Corr
 Stream   (Intercept) 672.73598 25.9372      
          Day           0.01573  0.1254  1.00
 Residual             594.41059 24.3805      
Number of obs: 224, groups:  Stream, 16

Fixed effects:
                        Estimate Std. Error t value
(Intercept)              68.7060    14.6813   4.680
Day                      -0.7632     0.8106  -0.941
TreatmentControl        -26.5467    20.7625  -1.279
TreatmentFluoxetine     -14.0357    20.7625  -0.676
TreatmentMix            -15.0879    20.7625  -0.727
Day:TreatmentControl      0.6181     1.1464   0.539
Day:TreatmentFluoxetine   1.5500     1.1464   1.352
Day:TreatmentMix          1.3808     1.1464   1.204

Correlation of Fixed Effects:
            (Intr) Day    TrtmnC TrtmnF TrtmnM Dy:TrC Dy:TrF
Day         -0.343                                          
TrtmntCntrl -0.707  0.243                                   
TrtmntFlxtn -0.707  0.243  0.500                            
TreatmentMx -0.707  0.243  0.500  0.500                     
Dy:TrtmntCn  0.243 -0.707 -0.343 -0.172 -0.172              
Dy:TrtmntFl  0.243 -0.707 -0.172 -0.343 -0.172  0.500       
Dy:TrtmntMx  0.243 -0.707 -0.172 -0.172 -0.343  0.500  0.500
>

Answer 1

Si se mide la emergencia como una medida continua, yo empezaría con un modelo de efectos mixtos, pero si la medida es dicotómica (p. ej., sí o no), la forma de empezar es el ML generalizado.

Asumiré que su variable de respuesta es continua. Utilizaría el lmer() de la función lme4 paquete en R . Su modelo base podría ser algo así:

Model <- lmer(Emergence ~ Treat + Day + Treat*Day + (1|Stream_id), data = Data_Frame)   
summary(Model)

Hay que indicar al modelo que los flujos individuales tienen múltiples medidas tratándolo como un factor aleatorio (es decir (1|Stream_id) ). El 1|... indica que el modelo incluirá un intercepto aleatorio para los flujos individuales. Parece que está intentando incluir un intercepto aleatorio y una pendiente para el efecto aleatorio Stream en función del efecto de Day que se codificaría como (1+Day|Stream) en el paquete lem4 .

La razón por la que te falta un tratamiento es porque está incorporado en el (Intercept) . Todos sus tratamientos visibles se están comparando con el tratamiento "ausente" en el intercepto. Por lo tanto, su resultado no compara el efecto de TreatmentControl y el efecto de TreatmentFluoxetine y así sucesivamente

Creo que está interesado en la interacción entre Day y Treatment . Es decir, ¿el efecto de Day en Emergence cambian en función del tipo de Treatment utilizado. Si es así, un enfoque más sencillo puede ser utilizar las medidas repetidas de Day para calcular una variable de respuesta, como la tasa de emergencia o la emergencia total. Entonces, un simple anova le dirá si la Treatment tipo afecta a la tasa de aparición, a la aparición total, o a lo que sea.

Espero que esto te ayude a empezar. Buena suerte.