Как можно проверить гипотезу MCMC на регрессионной модели со смешанным эффектом со случайными наклонами?

Библиотека languageR предоставляет метод (pvals.fnc) для проверки значимости MCMC фиксированных эффектов в модели регрессии смешанного эффекта, подходящей с использованием lmer. Однако pvals.fnc выдает ошибку, когда модель lmer включает случайные наклоны.

Есть ли способ сделать проверку гипотезы MCMC таких моделей?
Если так, то как? (Чтобы быть принятым, ответ должен иметь проработанный пример в R). Если нет, есть ли концептуальная / вычислительная причина, почему нет пути?

Этот вопрос может быть связан с этим, но я не достаточно хорошо понял содержание там, чтобы быть уверенным.

Редактирование 1 : подтверждение концепции, показывающее, что pvals.fnc () все еще «что-то» делает с моделями lme4, но ничего не делает с моделями со случайным наклоном.

library(lme4)
library(languageR)
#the example from pvals.fnc
data(primingHeid) 
# remove extreme outliers
primingHeid = primingHeid[primingHeid$RT < 7.1,]
# fit mixed-effects model
primingHeid.lmer = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1|Subject) + (1|Word), data = primingHeid)
mcmc = pvals.fnc(primingHeid.lmer, nsim=10000, withMCMC=TRUE)
#Subjects are in both conditions...
table(primingHeid$Subject,primingHeid$Condition)
#So I can fit a model that has a random slope of condition by participant
primingHeid.lmer.rs = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1+Condition|Subject) + (1|Word), data = primingHeid)
#However pvals.fnc fails here...
mcmc.rs = pvals.fnc(primingHeid.lmer.rs)

Это говорит: Ошибка в pvals.fnc (primingHeid.lmer.rs): выборка MCMC еще не реализована в lme4_0.999375 для моделей со случайными параметрами корреляции

Дополнительный вопрос: работает ли pvals.fnc, как ожидается, для модели случайного перехвата? Следует ли доверять выходам?

Похоже, ваше сообщение об ошибке не об изменяющихся наклонах, а о связанных случайных эффектах. Вы можете соответствовать и некоррелированным; модель смешанных эффектов с независимыми случайными эффектами:

Linear mixed model fit by REML
Formula: Reaction ~ Days + (1 | Subject) + (0 + Days | Subject)
Data: sleepstudy

с http://www.stat.wisc.edu/~bates/IMPS2008/lme4D.pdf

Вот (по крайней мере, большинство) решение с MCMCglmm.

Сначала подберите эквивалентную модель только для перехвата MCMCglmm:

library(MCMCglmm)
primingHeid.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition, 
                                random=~Subject+Word, data = primingHeid)

Сравнивая совпадения между MCMCglmmи lmer, сначала извлекая мою взломанную версию arm::coefplot:

source(url("http://www.math.mcmaster.ca/bolker/R/misc/coefplot_new.R"))
  ## combine estimates of fixed effects and variance components
pp  <- as.mcmc(with(primingHeid.MCMCglmm, cbind(Sol, VCV)))
  ## extract coefficient table
cc1 <- coeftab(primingHeid.MCMCglmm,ptype=c("fixef", "vcov"))
  ## strip fixed/vcov indicators to make names match with lmer output
rownames(cc1) <- gsub("(Sol|VCV).", "", rownames(cc1))
  ## fixed effects -- v. similar
coefplot(list(cc1[1:5,], primingHeid.lmer))
  ## variance components -- quite different.  Worth further exploration?
coefplot(list(cc1[6:8,], coeftab(primingHeid.lmer, ptype="vcov")),
         xlim=c(0,0.16), cex.pts=1.5)

Теперь попробуйте это со случайными наклонами:

primingHeid.rs.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition,
                                   random=~Subject+Subject:Condition+Word, 
                                   data = primingHeid)        
summary(primingHeid.rs.MCMCglmm)

Это дает какие-то "значения p MCMC" ... вам придется изучить для себя и посмотреть, имеет ли смысл все это ...