如何解釋glmer上具有顯着交互項的模型的p值？

我正在測試兩個棲息地（入侵和未入侵）和三種不同柱頭類型（溼，乾和半乾）之間花粉沉積的差異。這是一種社區方法，每個站點的樣本和物種數量不平衡，數據的非正態分佈，最終得到一個嵌套的隨機結構，用γ誤差分佈來處理僞複製和非獨立性。如何解釋glmer上具有顯着交互項的模型的p值？

要找出最好的模型，我用似然比檢驗，顯示與固定效應的相互作用會更適合的模式：

> m1b<-glmer(nb~habitat*stigmatype+(1|sitecode/stigmaspecies), family=Gamma(link=log)) 
> m2b<-glmer(nb~habitat+stigmatype+(1|sitecode/stigmaspecies), family=Gamma(link=log)) 
> anova(m1b,m2b) 
Data: 
Models: 
m2b: nb ~ habitat + stigmatype + (1 | sitecode/stigmaspecies) 
m1b: nb ~ habitat * stigmatype + (1 | sitecode/stigmaspecies) 
Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq) 
m2b 7 3032.8 3061.3 -1509.4 3018.8       
m1b 9 3030.1 3066.7 -1506.0 3012.1 6.6672  2 0.03566 *

從那裏，我得到了如何有點迷茫解釋固定項的p值。看下面的輸出，我可以解釋棲息地和柱頭類型的p值作爲交互項的獨立結果嗎？重新措辭，我可以說，變量棲息地本身具有重要影響，這樣棲息地非入侵不同於棲息地入侵（攔截）？和恥辱類型一樣的想法？或者由於相互作用有些重要，我不能獨立解釋固定值了嗎？只有事後檢驗才能說明事實上的差異在哪裏？

m1b<-glmer(nb~habitat*stigmatype+(1|sitecode/stigmaspecies), family=Gamma(link=log)) 
summary(m1b) 

Generalized linear mixed model fit by maximum likelihood ['glmerMod'] 
Family: Gamma (log) 
Formula: nb ~ habitat * stigmatype + (1 | sitecode/stigmaspecies) 

    AIC  BIC logLik deviance 
3030.101 3066.737 -1506.050 3012.101 

Random effects: 
Groups     Name  Variance Std.Dev. 
stigmaspecies:sitecode (Intercept) 5.209e+00 2.2822436 
sitecode    (Intercept) 2.498e-07 0.0004998 
Residual       2.070e+00 1.4388273 
Number of obs: 433, groups: stigmaspecies:sitecode, 109; sitecode, 20 

Fixed effects: 
           Estimate Std. Error t value Pr(>|z|)  
(Intercept)       2.3824  0.4080 5.839 5.26e-09 *** 
habitatnon-invaded     -1.8270  0.6425 -2.843 0.00446 ** 
stigmatypesemidry      -1.7531  0.7573 -2.315 0.02061 * 
stigmatypewet       -1.7210  0.8944 -1.924 0.05434 . 
habitatnon-invaded:stigmatypesemidry 2.0774  1.1440 1.816 0.06938 
habitatnon-invaded:stigmatypewet  1.3120  1.4741 0.890 0.37346

非常感謝你對你的思念！

來源

2014-09-12 Carine

嘗試繪製您的數據圖表。它看起來像入侵的網站總是高於/低於未入侵的，還是有沒有一個明確的模式？如果圖片不是很清楚，我建議進行事後測試。我剛剛使用此代碼進行了類似的事後分析：

levels(data$habitat) 
levels(data$stigmatype)#I believe 1 is the first value that is returned when you run levels(), 0 is the next, and -1 the last 

testInteractions(m1b, custom=list(habitat='invaded', stigmatype=c(1,0,-1), adjustment="none")) 
testInteractions(m1b, custom=list(habitat='non-invaded', stigmatype=c(1,0,-1), adjustment="none")) 

testInteractions(m1b, custom=list(stigmatype='wet', habitat=c(1,-1), adjustment="none")) 
testInteractions(m1b, custom=list(stigmatype='dry', habitat=c(1,-1), adjustment="none")) 
testInteractions(m1b, custom=list(stigmatype='semidry', habitat=c(1,-1), adjustment="none"))

來源

2014-09-19 04:22:45

如何解釋glmer上具有顯着交互項的模型的p值？

回答

相關問題