Efecto significativo en lme4 modelo mixto

Question

Yo uso lme4 en R para que se ajuste al modelo mixto

lmer(value~status+(1|experiment)))

donde valor es continua, el estado y el experimento son los factores, y me da

Linear mixed model fit by REML 
Formula: value ~ status + (1 | experiment) 
  AIC   BIC logLik deviance REMLdev
 29.1 46.98 -9.548    5.911    19.1
Random effects:
 Groups     Name        Variance Std.Dev.
 experiment (Intercept) 0.065526 0.25598 
 Residual               0.053029 0.23028 
Number of obs: 264, groups: experiment, 10

Fixed effects:
            Estimate Std. Error t value
(Intercept)  2.78004    0.08448   32.91
statusD      0.20493    0.03389    6.05
statusR      0.88690    0.03583   24.76

Correlation of Fixed Effects:
        (Intr) statsD
statusD -0.204       
statusR -0.193  0.476

¿Cómo puedo saber que el efecto del estado es significativa? R informes de sólo $t$-valores y no de $p$-valores

Answer 1

Hay un montón de información sobre este tema en http://glmm.wikidot.com/faq . Sin embargo, en su caso particular, me permito sugerir el uso de

library(nlme)
m1 <- lme(value~status,random=~1|experiment,data=mydata)
anova(m1)

debido a que usted no necesita ninguna de las cosas que lmer ofrece (mayor velocidad, el manejo de los cruzados de efectos aleatorios, GLMMs ...). lme debería dar exactamente el mismo coeficiente y de la varianza de las estimaciones, sino también calcular el df y los valores de p para usted (que hacen sentido en un "clásico" de diseño tales como los que parecen tener). Puede que también desee considerar la posibilidad de que el azar plazo ~status|experiment (lo que permite la variación de los efectos del estado a través de los bloques, o, equivalentemente, incluyendo un estado-por-el experimento de interacción). Los carteles de arriba son correctos, que su t estadísticas son tan grandes que su p-valor será definitivamente <0.05, pero me imagino que te gustaría "real" p-valores.

Answer 2

Usted puede utilizar el paquete lmerTest. Usted acaba de instalar/carga y la lmer modelos extendidos. Así por ejemplo, la

library(lmerTest)
lmm <- lmer(value~status+(1|experiment)))
summary(lmm)
anova(lmm)

dar los resultados con p-valores. Si los valores de p son el derecho indicación es un poco controvertida, pero si usted quiere tener de ellos, este es el camino para llegar a ellos.

Answer 3

Si usted puede manejar el abandono de los valores de p (y debe), se puede calcular un cociente de probabilidad que representan el peso de la evidencia para el efecto de estado, a través de:

#compute a model where the effect of status is estimated
unrestricted_fit = lmer(
    formula = value ~ (1|experiment) + status
    , REML = F #because we want to compare models on likelihood
)
#next, compute a model where the effect of status is not estimated
restricted_fit = lmer(
    formula = value ~ (1|experiment)
    , REML = F #because we want to compare models on likelihood
)
#compute the AIC-corrected log-base-2 likelihood ratio (a.k.a. "bits" of evidence)
(AIC(restricted_fit)-AIC(unrestricted_fit))*log2(exp(1))

Answer 4

El problema es que el cálculo de los valores de p para estos modelos no es trivial, ver foro de discusión para profesionales aquí, de modo que los autores de la lme4 paquete a propósito optado por no incluir los valores de p en la salida. Usted puede encontrar un método de cálculo de estos, pero no va a ser necesariamente correcta.

Answer 5

Edit: Este método ya no es compatible con las versiones más recientes de lme4. El uso de la lmerTest paquete como se sugiere en esta respuesta por pbx101.

Hay un post en el R de la lista por lme4 del autor de por qué los p-valores no se muestran. Se sugiere el uso de MCMC muestras de lugar, que hace uso de la pvals.la fnc de la languageR paquete:

library("lme4")
library("languageR")
model=lmer(...)
pvals.fnc(model)

Ver http://www2.hawaii.edu/~kdrager/MixedEffectsModels.pdf para un ejemplo y detalles.