如何规范Lmer模型？

Question

艾默：

mixed.lmer6 <- lmer(Size ~ (Time+I(Time^2))*Country*STemperature +
   (1|Country:Locality)+ (1|Locality:Individual)+(1|Batch)+
   (1|Egg_masses), REML = FALSE, data = data_NoNA) 

剩余数：

plot_model(mixed.lmer6, type = "diag")

​

​

在我的公式中尝试了手动日志、power、sqrt转换，但是没有改进，我也找不到合适的自动转换R函数，比如BoxCox (它不适用于LMER)

如有任何帮助或建议，将不胜感激。

Answer 1

这可能更适合CrossValidated (“我该怎么办？”)。适合简历；“我该怎么做？”是最好的堆叠溢出)，但我会采取一个裂缝。

• Q-Q图通常是你应该看的最后一次/least的重要诊断(顺序应该是(1)检查平均拟合与残差、残差与协变量之间的显著偏差/遗漏模式；(2)检查异常值/影响点的杠杆、库克距离；(3)检查异方差标度-位置图；(4)检查分布假设Q-Q图)。原因是，任何“上游”故障(例如漏掉的模式)也会出现在Q-Q图中；解决这些故障通常会解决明显的non-Normality.
• If问题，您可以通过修正模型中的其他内容(添加协变量/添加交互作用/添加多项式或样条项/移除异常值)来修正分布假设，然后这样做。
• 您可以编写自己的蛮力盒-Cox，类似

。

fitted_model <- lmer(..., data = mydata)
bcfun <- function(lambda, resp = "y") {
   y <- mydata[[resp]]
   mydata$newy <- if (lambda==0) log(y) else (y^lambda -1)/lambda
   ## https://stats.stackexchange.com/questions/261380/how-do-i-get-the-box-cox-log-likelihood-using-the-jacobian
   log_jac <- sum((lambda-1)*log(y))
   newfit <- update(fitted_model, newy ~ ., data = mydata)
   return(-2*(c(logLik(newfit))+ log_jac))
}
lambdavec <- seq(-2, 2, by = 0.2)
boxcox <- vapply(lambdavec, bcfun, FUN.VALUE = numeric(1))
plot(lambdavec, boxcox - min(boxcox))

(轻轻测试！但是，如果它不起作用，可以随时通知我)

• ，如果您确实需要拟合一个带有重尾残差分布的混合模型(例如，学生t)，那么选择是相当有限的。brms包可以适应这样的模型(但会把你拉下贝叶斯/MCMC兔子洞)，而heavy包(目前存档在CRAN上)将工作，但似乎不处理交叉随机效应。