Interpretación del resultado GLMM (texto correcto)

Question

Utilicé el lmer en la función lme4 para evaluar los efectos de 2 efectos fijos categóricos (1º Grupo animal: roedores y hormigas; 2º Microhábitat: suelo desnudo y cubierto) sobre la depredación de semillas (una variable dependiente de recuento). Tengo 2 sitios, con 10 árboles por sitio y 4 estaciones de semillas por árbol. El lugar y el árbol son mis factores (filosóficamente) aleatorios, pero dado que sólo tengo dos niveles para el lugar, debe tratarse como un factor fijo. Tengo preguntas sobre cómo interpretar los resultados:

1. Hice un criterio de selección de modelos basado en QAICc, pero el mejor modelo (QAICc más bajo) no da lugar a ningún efecto fijo significativo y otros modelos con QAIC más alto (por ejemplo, el modelo completo) sí encontraron factores fijos significativos. ¿Tiene esto sentido?
2. Dado un factor fijo que es importante para el modelo, ¿cómo distingo qué nivel del factor fijo influye en la variable de respuesta?

Por último, la correlación entre los factores fijos implica una estimación incorrecta del modelo?

FullModel=lmer(SeedPredation ~ AnimalGroup*Microhabitat*Site + (1|Site:Tree) + 
                                   (1|obs), data=datos,  family="poisson") 

QAICc(FM)104.9896

    enterGeneralized linear mixed model fit by the Laplace approximation 
Formula: SP ~ AG * MH * Site + (1 | Site:Tree) + (1 | obs) 
   Data: datos 
   AIC   BIC logLik deviance
 101.8 125.6  -40.9     81.8
Random effects:
 Groups    Name        Variance Std.Dev.
 obs       (Intercept) 0.20536  0.45317 
 Site:Tree (Intercept) 1.19762  1.09436 
Number of obs: 80, groups: obs, 80; Site:Tree, 20

Fixed effects:
                 Estimate Std. Error z value Pr(>|z|)  
(Intercept)       0.01161    0.47608   0.024   0.9805  
AGR             -18.97679 3130.76500  -0.006   0.9952  
MHUC             -1.60704    0.63626  -2.526   0.0115 *
Site2            -0.91424    0.74506  -1.227   0.2198  
AGR:MHUC         19.92369 3130.76508   0.006   0.9949  
AGR:Site2         1.02241 4431.84919   0.000   0.9998  
MHUC:Site2        1.80029    0.86235   2.088   0.0368 *
AGR:MHUC:Site2   -3.49042 4431.84933  -0.001   0.9994  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Correlation of Fixed Effects:
            (Intr) AGR    MHUC   Site2  AGR:MHUC AGR:S2 MHUC:S
AGR          0.000                                            
MHUC        -0.281  0.000                                     
Site2       -0.639  0.000  0.180                              
AGR:MHUC     0.000 -1.000  0.000  0.000                       
AGR:Site2    0.000 -0.706  0.000  0.000  0.706                
MHUC:Site2   0.208  0.000 -0.738 -0.419  0.000    0.000       
AGR:MHUC:S2  0.000  0.706  0.000  0.000 -0.706   -1.000  0.000 code here

BestModel=lmer(SP ~ AG * MH + (1|Site:Tree) + (1|obs), data=datos,  
               family = "poisson") 

QAICc(M) 101.4419

Generalized linear mixed model fit by the Laplace approximation 
Formula: SP ~ AG + AG:MH + (1 | Site:Tree) + (1 | obs) 
   Data: datos 
   AIC   BIC logLik deviance
 100.3 114.6 -44.15     88.3
Random effects:
 Groups    Name        Variance Std.Dev.
 obs       (Intercept) 0.76027  0.87194 
 Site:Tree (Intercept) 1.14358  1.06938 
Number of obs: 80, groups: obs, 80; Site:Tree, 20

Fixed effects:
             Estimate Std. Error z value Pr(>|z|)
(Intercept)   -0.5153     0.4061  -1.269    0.205
AGR          -18.7146  2603.4397  -0.007    0.994
AGA:MHUC      -0.7301     0.5045  -1.447    0.148
AGR:MHUC      17.7221  2603.4397   0.007    0.995

Answer 1

1) Sí, tiene sentido. A medida que se añaden efectos aleatorios, no es raro que los efectos fijos se reduzcan. Esto es apropiado, ya que la estimación de los efectos aleatorios modela en esencia algunas de las dependencias de los datos. Como puede imaginar, cuanto menos se viole la independencia, más difícil será alcanzar la significación.

2) Debe tener una estadística t o z para cada efecto fijo. Evalúelos directamente según los criterios apropiados que seleccione.

3) Creo que la correlación entre factores fijos es normal y no supone ningún problema. R. H. Baayen Análisis de datos lingüísticos: Introducción práctica a la estadística con R deja claro que la correlación entre factores fijos en los resultados del modelo no refleja una correlación directa entre los efectos fijos. Es por... otra cosa.