Comment traiter une variable comme un facteur aléatoire dans GLM dans R

Question

Je fais l'analyse statistique pour un ensemble de données utilisant GLM dans R. Fondamentalement, les variables prédictives sont: "Probe" (types de sondes utilisées dans l'expérience - Facteur à 4 niveaux), "Extraction" (types d'extraction utilisés dans l'expérience - Facteur à 2 niveaux), "Tank" (le numéro de réservoir duquel l'échantillon est prélevé - entiers de 1 à 9) et "Dilution" (dilution de chaque numéros d'échantillons: 3,125, 6,25, 12,5, 25, 50, 100). La réponse est le nombre de réponses positives ("Positif") obtenues à partir d'un nombre de répétitions de l'expérience ("Rep"). Je veux évaluer les effets de toutes les variables prédictives (et leurs interactions) sur le nombre de réponses positives, alors j'ai essayé d'adapter un modèle GLM comme ceci:

y<-cbind(mydata$Positive,mydata$Rep - mydata$Positive) 
model1<-glm(y~Probe*Extraction*Dilution*Tank, family=quasibinomial, data=mydata) 

Mais on m'a dit plus tard par mon superviseur que la La variable de prédiction "Tank" ne doit pas être traitée comme une variable basée sur le niveau. c'est-à-dire qu'il a des valeurs de 1 à 9, mais c'est juste l'étiquette du réservoir, donc la différence entre 1 et, disons, 7 n'est pas importante. Traiter cette variable comme un facteur ne ferait qu'un grand modèle avec de mauvais résultats. Alors, comment traiter la variable "Tank" comme un facteur aléatoire et l'inclure dans le GLM?

Merci

Answer 1

On l'appelle un «modèle à effets mixtes». Découvrez le paquet lme4.

library(lme4) 
glmer(y~Probe + Extraction + Dilution + (1|Tank), family=quasibinomial, data=mydata) 

De plus, vous devriez probablement utiliser + au lieu de * pour ajouter des facteurs. * inclut toutes les interactions et tous les niveaux de chaque facteur, ce qui conduirait à un énorme modèle de surapprentissage. À moins que vous n'ayez une raison spécifique de croire qu'il existe une interaction, auquel cas vous devriez coder explicitement cette interaction.