Le processus de sélection du modèle recommandé par zuur et coll. (2009) est une stratégie de haut en bas et se déroule comme suit: adapter le modèle avec testScore comme la réponse et bodyLength2 comme prédicteur et avoir un regard sur la sortie: Voici un exemple rapide-Branchez simplement votre nom de modèle , dans ce cas mixed. lmer2 dans la fonction Stargazer. J`ai mis le type à „texte” de sorte que vous pouvez voir la table dans votre console. J`ai l`habitude de modifier la table comme ça jusqu`à ce que je suis heureux avec elle et puis l`exporter en utilisant type = „latex”, mais „html” pourrait être plus utile pour vous si vous n`êtes pas un utilisateur de LaTeX. L`effet d`école améliore grandement notre ajustement de modèle. Cependant, comment pouvons-nous interpréter ces effets? Si vous souhaitez pouvoir faire plus avec vos résultats de modèle, par exemple les traiter plus loin, COLLATE les résultats de modèle à partir de plusieurs modèles ou les tracer ont un regard sur le paquet de balai. Ce tutoriel est un excellent début. Entrez lme4. Bien que toutes les techniques ci-dessus soient des approches valides de ce problème, elles ne sont pas nécessairement la meilleure approche lorsque nous nous intéressons explicitement aux variations entre et par groupes.

C`est là qu`un cadre de modélisation à effet mixte est utile. Maintenant, nous utilisons la fonction de la ligne de compte avec l`interface de formule familière, mais maintenant les variables de niveau de groupe sont spécifiées à l`aide d`une syntaxe spéciale: (1 | School) indique à l`établissement de l`ajustement d`un modèle linéaire avec un effet de groupe à interception variable à l`aide de l`école à variables. NOTE 2: les modèles peuvent également être comparés à l`aide de la fonction AICc du paquet AICcmodavg. Le critère d`information d`Akour (AIC) est une mesure de la qualité du modèle. L`AICc corrige le biais créé par la petite taille d`échantillon lors de l`estimation de l`AIC. Généralement, si les modèles sont à l`intérieur de 2 unités AICc les uns des autres, ils sont très similaires. Dans les 5 unités, ils sont assez similaires, plus de 10 unités de différence et vous pouvez probablement être heureux avec le modèle avec AICc inférieur. Comme avec les valeurs de p cependant, il n`y a pas de «ligne dure» qui est toujours correcte. Soyez prudent avec la nomenclature.

Il y a des «modèles linéaires hiérarchiques» (HLMs) ou des «modèles multiniveau» là-bas, mais tandis que tous les HLMs sont des modèles mixtes, pas tous les modèles mixtes sont hiérarchiques. C`est parce que vous pouvez avoir croisé (ou partiellement croisé) des facteurs aléatoires qui ne représentent pas les niveaux dans une hiérarchie. Si cela semble déroutant, ne pas s`inquiéter-lme4 poignées partiellement et complètement croisé des facteurs bien. Ils n`ont pas à être hiérarchiques ou «multiniveau» par la conception. Toutefois, la même spécification de modèle peut être utilisée pour représenter les facteurs (partiellement) croisés ou imbriqués de sorte que vous ne pouvez pas utiliser les spécifications du modèle pour vous dire ce qui se passe avec les facteurs aléatoires: vous devez examiner la structure des facteurs dans les données. Pour simplifier les choses, coder correctement vos données et éviter l`imbrication implicite. Vous ne savez pas quelle imbrication implicite est? Lisez la suite. Les données écologiques et biologiques sont souvent complexes et salissantes. Nous pouvons avoir différents facteurs de regroupement comme les populations, les espèces, les sites que nous recueillons les données à etc. Tailles d`échantillon pourrait laisser quelque chose à désirer aussi, surtout si nous essayons de s`adapter à des modèles compliqués avec de nombreux paramètres. En plus de cela, nos points de données peuvent ne pas être vraiment indépendants.

Par exemple, nous pourrions utiliser des quadrats au sein de nos sites pour collecter les données (et il y a donc une structure à nos données: les quadrats sont imbriqués dans les sites). De même, j`inclus un peu de texte explicatif: vous pouvez choisir de simplement le parcourir pour l`instant et passer par les „bits de codage” du tutoriel. Mais il sera là pour vous aider le long lorsque vous commencez à utiliser des modèles mixtes avec vos propres données et vous avez besoin d`un peu plus de contexte.