Diferencias entre el resumen y la función anova para el modelo multinivel (lmer)

Question

He estado trabajando en algunos modelos multinivel utilizando la función lmer en R y he estado jugando con algunas formas diferentes de probar la significación de los efectos fijos de mi modelo. He descubierto que la función summary() y la función anova() de lmertest dan resultados diferentes. Según tengo entendido, la función anova debería comprobar si cualquier de mis grupos difiere del intercepto, mientras que la función de resumen muestra la importancia de la desviación de los grupos individuales con respecto al intercepto. Sin embargo, me encuentro con que la función anova no devuelve un efecto de interacción significativo Origen:Fert, mientras que la función de resumen informa de que OriginCO:FertUnfertilized es significativo.

¿Qué ocurre? ¿Me he perdido algo?

> mod_rs_Origin_lmer_nelder=lmer(rs_feedback ~ 
+                                    Date_of_Emergence  + Origin*Fert +  (1 | Soil_ID), data=data,
+                                  control = lmerControl(optimizer ="Nelder_Mead"))
> anova(mod_rs_Origin_lmer_nelder, type=2)
Analysis of Variance Table of type II  with  Satterthwaite 
approximation for degrees of freedom
                  Sum Sq Mean Sq NumDF DenDF F.value   Pr(>F)   
Date_of_Emergence 1.3155 1.31552     1   148  4.6081 0.033450 * 
Origin            2.6584 0.66461     4   148  2.3281 0.058853 . 
Fert              2.9384 2.93838     1   148 10.2928 0.001637 **
Origin:Fert       2.1927 0.54817     4   148  1.9202 0.110035   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(mod_rs_Origin_lmer_nelder)
Linear mixed model fit by REML t-tests use Satterthwaite approximations to degrees of  freedom
[lmerMod]
Formula: rs_feedback ~ Date_of_Emergence + Origin * Fert + (1 | Soil_ID)
   Data: data
Control: lmerControl(optimizer = "Nelder_Mead")

REML criterion at convergence: 272

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-1.6043 -0.6106 -0.2517  0.4541  4.7311 

Random effects:
 Groups   Name        Variance Std.Dev.
 Soil_ID  (Intercept) 0.0000   0.0000  
 Residual             0.2855   0.5343  
Number of obs: 159, groups:  Soil_ID, 4

Fixed effects:
                            Estimate Std. Error         df t value Pr(>|t|)   
(Intercept)                 0.225550   0.134766 148.000000   1.674  0.09631 . 
Date_of_Emergence          -0.007822   0.003644 148.000000  -2.147  0.03345 * 
OriginCO                   -0.114934   0.180923 148.000000  -0.635  0.52624   
OriginF                    -0.197089   0.190659 148.000000  -1.034  0.30295   
OriginQM                   -0.027523   0.187279 148.000000  -0.147  0.88336   
OriginQR                   -0.030363   0.178115 148.000000  -0.170  0.86487   
FertUnfertilized            0.524999   0.186802 148.000000   2.810  0.00562 **
OriginCO:FertUnfertilized  -0.577240   0.261952 148.000000  -2.204  0.02910 * 
OriginF:FertUnfertilized    0.043589   0.281231 148.000000   0.155  0.87704   
OriginQM:FertUnfertilized  -0.421518   0.270105 148.000000  -1.561  0.12076   
OriginQR:FertUnfertilized  -0.248637   0.258104 148.000000  -0.963  0.33696

Answer 1

Parece que hay 2 niveles de Fert y 5 niveles de Origen, ¿correcto?

Creo que la salida anova() muestra la prueba ómnibus, mientras que la función summary() muestra los coeficientes de regresión que representan contrastes específicos, que están definidos por el grupo de referencia (es decir, cualquiera que sea el primer nivel).

Origin:Fert muestra la significación del término de interacción ómnibus. OriginCO:FertUnfertilized comprueba si la diferencia entre el Origen de referencia y el Origen CO depende de si está o no Fertilizado o No Fertilizado.

Los autores del paquete lme4 no querían incluir dfs o p-valores en su salida, porque la estimación de estos dfs es complicada para los modelos multinivel. En su lugar, sugirieron comparar modelos anidados. Si está buscando el efecto ómnibus de la interacción, por ejemplo, compararía un modelo con ella y un modelo sin ella:

mod0 <- lmer(rs_feedback ~ Date_of_Emergence  + Origin + Fert +  (1 | Soil_ID),
             data=data, control = lmerControl(optimizer ="Nelder_Mead"))

mod1 <- lmer(rs_feedback ~ Date_of_Emergence  + Origin*Fert +  (1 | Soil_ID),
             data=data, control = lmerControl(optimizer ="Nelder_Mead"))

anova(mod1, mod0, refit=FALSE)