¿Cómo hallar la significación de los distintos niveles de una interacción en un modelo lineal mixto generalizado?

Question

Estoy utilizando un glmm para encontrar el efecto del encierro (Sí o No), el sexo (Masculino o Femenino), la edad (Joven, Adolescente, Adulto) y el sitio (A o B) sobre las concentraciones hormonales (Continuas). Utilizando lrtest, he comparado diferentes modelos anidados entre sí para determinar la significación de las diferentes variables explicativas. Sin embargo, no estoy seguro de cómo encontrar la significación de los diferentes niveles.

Mi modelo final es: Concentración ~ Encierro + Edad + Sexo + Sitio + Encierro Sexo + Sitio Sexo + (1|individual).

Cuando ejecuto "anova(model)", sólo me da los valores de un nivel de cada variable, es decir, SitioA:SexoMacho. ¿Cómo puedo obtener la significación de otros niveles en la interacción, es decir, SiteB:SexFemale?

Answer 1

Con las interacciones y la codificación por defecto en R, los coeficientes de regresión en cada nivel representan diferencias de los resultados de lo que se predeciría basándose en coeficientes de nivel inferior. Es decir, el intercepto es el resultado previsto cuando todos los predictores están en los niveles de referencia (predictores categóricos) o 0 (predictores continuos). Cada coeficiente individual es el diferencia a partir del intercepto asociado a ese predictor quand otros predictores están en referencia/0 . Cada coeficiente de interacción de 2 vías es el diferencia adicional para los 2 predictores cuando ninguno de ellos está en referencia/0 pero otros predictores sí.

Aunque la salida estándar de las estimaciones de los coeficientes muestra menos valores que las combinaciones de predictores, la información sigue estando en el modelo para obtener predicciones y errores estándar/valores para cualquier combinación de valores predictores, o para las diferencias entre predicciones. Esto se puede hacer a mano combinando las estimaciones de los coeficientes, la matriz de covarianza de las estimaciones (no se muestra en la pantalla, pero se incluye en el objeto producido por el modelo), y la fórmula para la matriz de covarianza. varianza de una suma ponderada de variables . Es más sencillo utilizar otras herramientas de software como el programa R emmeans paquete o el linearHypothesis() en la función car paquete .

En anova() evalúa la asociación global del predictor o la interacción con el resultado. Por ejemplo, el anova() informe para AGE_CAT corresponde a la asociación combinada de todos los niveles de ese predictor con el resultado, mientras que los 2 coeficientes individuales que aparecen en la primera pantalla corresponden a las diferencias en el resultado asociadas con cada uno, frente al nivel de referencia. Debe tener en cuenta que existen diferentes tipos de anova() que pueden dar resultados diferentes. Véase esta página para una introducción.

Answer 2

Tenía una pregunta similar en esta entrada y respondió a mi pregunta. Por favor, revísela para obtener más explicaciones.

Puede utilizar car::Anova función:

Anova(model5, type = 3)

Si existe una interacción (por ejemplo, LOCKDOWN * SEX), puede utilizar emmeans para detectar diferencias:

emmeans(model5, pairwise ~ LOCKDOWN * SEX, adjust = "bonferroni", mode = "linear.predictor", type = "Score")