El concepto clave de las medidas repetidas es que hay agrupación. Por ello, los modelos de efectos mixtos se utilizan a menudo para las medidas repetidas, ya que manejan específicamente los datos agrupados. Estos modelos tienen en cuenta la no independencia de los datos dentro de cada conglomerado, es decir, las observaciones de un conglomerado serán más similares entre sí que las de otro conglomerado.
Para ajustar un modelo de efectos mixtos para medidas repetidas, es necesario especificar la variable de agrupación (es decir, lo que define el conglomerado) y ajustar interceptos aleatorios para ella. En su caso, tiene observaciones anidadas en transectos que, a su vez, están anidados dentro del hábitat. Sin embargo, sólo tiene dos hábitats, por lo que no es una buena idea especificar esto como un efecto aleatorio. En su lugar, puede especificarlo como un efecto fijo.
Si también se especifica Times como un intercepto aleatorio, está diciendo que las observaciones también están anidadas dentro de cada ocasión de medición. Esto puede ser apropiado o no. Si hay alguna razón por la que las observaciones en diferentes transectos en la misma ocasión de medición deberían ser más parecidas entre sí que las observaciones en los mismos transectos pero en un momento diferente, y no está interesado en el efecto fijo de la ocasión de medición, entonces puede incluir este término como un efecto aleatorio en el modelo.
Por lo tanto, el punto clave es que en su caso necesita ajustar un modelo con transect como un intercepto aleatorio. En R, un mejor modelo de partida es:
glmer(Abundance ~ Airtemp * Sunshine + Habitat + (1|transect) + (1|Times),
family = poisson, data = bees)
