Расчет ICC для случайных эффектов логистической регрессии

Я использую модель логистической регрессии в форме:

lmer(response~1+(1|site), family=binomial, REML = FALSE)

Обычно я рассчитываю ICC на основе перехвата и остаточных отклонений, но сводка модели не включает остаточное отклонение. Как мне рассчитать это?

logistic lme4-nlme glmm

— Меган
источник

Почему вы рассчитываете ICC?

— AdamO

Чтобы проверить предположение, что обычная логистическая регрессия недопустима для этих данных, в качестве доказательства того, что я должен использовать GLMM. Я нашел уравнение: ICClogit = дисперсия перехвата ^ 2 / (дисперсия перехвата ^ 2 + pi ^ 2/3). Это кажется разумным?

— Меган

Вы используете метод максимального правдоподобия. Разве вы не можете сделать тест отношения правдоподобия с 1 степенью свободы против модели с фиксированными эффектами?

— AdamO

(15 / 16)^{2} π^{2} / 3

$(15/16)^2\pi^2/3$

π^{2} / 3

$\pi^2/3$

@ Меган: Это intercept_variance / (intercept_variance + pi^2/3)так, так что не разбирайся .

— Вольфганг

Вы можете использовать icc()-функции из sjstats-пакета .

В файле справки ?sjstats::iccвы найдете ссылку на формулу для смешанных моделей с двоичным ответом:

У С, Креспи СМ, Вонг В.К. 2012. Сравнение методов оценки коэффициента внутриклассовой корреляции для бинарных ответов в кластерных рандомизированных исследованиях по профилактике рака. Современные клинические испытания 33: 869-880 (doi: 10.1016 / j.cct.2012.05.004)

Остаточное отклонение в логистической регрессии фиксируется на (pi ^ 2) / 3.

— Даниил
источник

У вас есть ссылка на эту формулу?

— Жанин

Вы имеете в виду меня? Не был ли ваш комментарий изначально на посту ОП?

— Даниил

@ Jeanine-ICC цитирование: Moineddin, R., Matheson, FI, & Glazier, RH (2007). Имитационное исследование размера выборки для многоуровневых моделей логистической регрессии. BMC Medical Research Methodology, 7, 34. doi.org/10.1186/1471-2288-7-34

— ворчит