贝塔族glmmTMB对象的模型比较

Question

我们正在使用glmmTMB包执行beta混合效应回归分析，如下所示：

mod = glmmTMB::glmmTMB(data = data,
                      formula = rating ~ par1 + par2 + par3 + 
                        (1|subject)+(1|item),
                      family  = glmmTMB::beta_family())

接下来，我们想要运行一个模型比较--类似于用于‘lm’对象的‘step’函数。到目前为止，我们从MuMIn包中找到了“疏浚”函数，它根据一个标准(例如BIC)计算嵌套模型的拟合：

MuMIn::dredge(mod, rank = 'BIC', evaluate = T)

OUTPUT:
Model selection table 
  cnd((Int)) dsp((Int)) cnd(par1)  cnd(par2)  cnd(par3) df   logLik     BIC delta weight
2      1.341          +  -0.4466                        5 2648.524 -5258.3  0.00  0.950
6      1.341          +  -0.4466              0.03311   6 2648.913 -5251.3  6.97  0.029
4      1.341          +  -0.4468   -0.005058            6 2648.549 -5250.6  7.70  0.020
8      1.341          +  -0.4470   -0.011140  0.03798   7 2649.025 -5243.8 14.49  0.001
1      1.321          +                                 4 2604.469 -5177.9 80.36  0.000
5      1.321          +                       0.03116   5 2604.856 -5171.0 87.34  0.000
3      1.321          +            -0.001771            5 2604.473 -5170.2 88.10  0.000
7      1.321          +            -0.007266  0.03434   6 2604.909 -5163.3 94.98  0.000

然而，我们想知道这些嵌套模型之间在拟合方面的差异是否具有统计学意义。对于具有正态分布因变量的lms，我们将使用anova，但这里我们不确定它是否适用于具有beta分布或glmmTMB对象的模型。

Answer 1

您可以使用积木包装对glmmTMB模型进行逐步回归(您肯定也应该阅读逐步回归的批判 )。但是，对您的问题的简短回答是，实现似然比检验的anova()方法是为对嵌套模型的glmmTMB拟合进行配对比较而实现的，而且理论工作得很好。较重要的假设有：(1)模型假设不违反独立性、条件分布的选择、适当尺度上的线性度、随机效应的正态性等；(2)模型是嵌套的，适用于同一数据集；(3)样本规模大，适用渐近方法。