Je voudrais effectuer une analyse des mesures répétées/données longitudinales au problème suivant:la meilleure structure pour une GLMM - 3 facteurs avec 1 longitudinal
« Il y a 16 arbres qui ont été analysés dans une une région et 16 dans une région B. Dans chaque région, 8 arbres ont été analysés en hiver et 8 en été, mais ils ne sont pas le même arbre. considérant que la perception starch's dans cinq profondeurs différentes sur chaque diamètre de l'arbre. »
tree Region season depth starch
1 A W 1 0.07
1 A W 2 0.10
1 A W 3 0.13
1 A W 4 0.16
1 A W 5 0.11
2 A W 1 0.07
2 A W 2 0.10
2 A W 3 0.13
2 A W 4 0.16
2 A W 5 0.11
... ... ... ... ...
17 B S 1 0.06
... ... ... ... ...
Je pense que dans obtenir un ajustement sur un modèle mixte linéaire généralisé (GLMM) avec la distribution Gamma R. Comme je suis une sorte de débutant dans GLMM, je voudrais demander à quelqu'un comment j'effectue cet ajustement dans R afin de savoir si les régions, les saisons et le facteur de profondeur provoquent des effets différents dans la variable de réponse.
Il serait correct si je lance:
require(lme4)
Mod1=glmer(starch~Region*season*depth+(1|tree),data=data,family="gamma")
summary(Mod1)
?
Sinon, quelle serait la meilleure façon de la procédure à ce sujet? J'apprécie tellement si quelqu'un peut me donner une direction ou au moins une référence.
Nous vous remercions de votre aide @Ben Bolker et @flies. Les contributions affichées ont beaucoup aidé. Je confirmerais alors s'il est possible ou non de traiter la profondeur comme une interaction qualitative et Region * stage * depth
. Faire ceci:
data = within (data, {
Region = factor (Region)
season = factor (season)
depth = factor (depth) })
require (lme4)
Mod1 = glmer (starch~Region*season*depth+(1|tree),data=data,family=Gamma(link="log"))
summary (Mod1)
library (car)
Anova(mod1)
Obtenir les résultats suivants:
Generalized linear mixed model fit by maximum likelihood (Laplace Approximation)
glmerMod]
Family:Gamma(log)
Formula: starch ~Region*season*depth+(1|tree)
Date: data
AIC BIC logLik deviance df.resid
-1358.4 -1290.7 701.2 -1402.4 138
Scaled residuals:
Min 1Q Median 3Q Max
-2.3398 -0.6699 -0.1065 0.6683 3.2020
Random effects:
Groups Name Variance Std.Dev.
tree (Intercept) 7.171e-05 0.008468
Residual 6.020e-04 0.024536
Number of obs: 160, groups: tree, 32
Fixed effects:
Estimate Std. Error t value Pr (> | z |)
(Intercept) -2.593064 0.009621 -269.51 <2e-16 ***
RegionRP 0.260453 0.013607 19.14 <2e-16 ***
seasonV -0.193693 0.013607 -14.23 <2e-16 ***
depth2 0.409813 0.011894 34.46 <2e-16 ***
depth3 0.594269 0.011893 49.97 <2e-16 ***
depth4 0.779051 0.011893 65.50 <2e-16 ***
depth5 0.432146 0.011893 36.34 <2e-16 ***
RegionRP:seasonV 0.088320 0.019243 4.59 4.44e-06 ***
localRP:depth2 -0.065211 0.016820 -3.88 0.000106 ***
localRP:depth3 -0.130185 0.016819 -7.74 9.92e-15 ***
localRP:depth4 -0.190743 0.016820 -11.34 <2e-16 ***
localRP:depth5 -0.067266 0.016820 -4.00 6.35e-05 ***
seasonV:depth2 0.031624 0.016821 1.88 0.060103.
seasonV:depth3 0.139424 0.016820 8.29 <2e-16 ***
seasonV:depth4 0.147717 0.016820 8.78 <2e-16 ***
seasonV:depth5 0.107589 0.016820 6.40 1.59e-10 ***
RegionRP:seasonV:depth2 -0.018490 0.023787 -0.78 0.436970
RegionRP:seasonV:depth3 -0.113810 0.023786 -4.78 1.71e-06 ***
RegionRP:seasonV:depth4 -0.112337 0.023787 -4.72 2.33e-06 ***
RegionRP:seasonV:depth5 -0.121932 0.023787 -5.13 2.96e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1
Analysis of Deviance Table (Type II Wald chisquare tests)
Response: starch
Chisq Df Pr (> Chisq)
Region 872.9486 1 <2.2e-16 ***
season 282.9125 1 <2.2e-16 ***
depth 16726.2395 4 <2.2e-16 ***
Region:season 1.5641 1 0.2111
Region:depth 521.4171 4 <2.2e-16 ***
season:depth 85.5213 4 <2.2e-16 ***
Region:season:depth 49.1586 4 5.41e-10 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1
pourrait l'analyse ci-dessus être effectuée? Compte tenu du nombre de paramètres estimés, devriez-vous considérer la profondeur continue et le modèle additif?
Il semble que 'Region' soit confondu par l'effet aléatoire' tree'. IDK comment 'lme4' gère cela. Mis à part quelques fautes de frappe, votre code semble correct ('region' devrait être' Region', 'mod1_glmer' devrait être' Mod1'). – flies
Qu'essayez-vous d'apprendre de ce modèle? – flies
vous pouvez utiliser la fonction d'édition pour corriger les fautes de frappe (ci-dessous les étiquettes) – flies