У меня есть GLMM с биномиальным распределением и функцией logit link, и у меня есть ощущение, что важный аспект данных недостаточно хорошо представлен в модели.
Чтобы проверить это, я хотел бы знать, хорошо ли данные описываются линейной функцией на шкале логита. Следовательно, я хотел бы знать, хорошо ли ведут себя остатки. Тем не менее, я не могу узнать, на каком участке остатки построить, и как интерпретировать сюжет.
Обратите внимание, что я использую новую версию lme4 ( версия для разработчиков от GitHub ):
packageVersion("lme4")
## [1] ‘1.1.0’
Мой вопрос: как я могу проверить и интерпретировать остатки биномиальных обобщенных линейных смешанных моделей с функцией логит-линка?
Следующие данные представляют только 17% моих реальных данных, но процесс подгонки уже занимает около 30 секунд на моей машине, поэтому я оставляю это так:
require(lme4)
options(contrasts=c('contr.sum', 'contr.poly'))
dat <- read.table("http://pastebin.com/raw.php?i=vRy66Bif")
dat$V1 <- factor(dat$V1)
m1 <- glmer(true ~ distance*(consequent+direction+dist)^2 + (direction+dist|V1), dat, family = binomial)
Простейший plot ( ?plot.merMod
) производит следующее:
plot(m1)
Это уже говорит мне что-то?
true ~ distance*(consequent+direction+dist)^2 + (direction+dist|V1)
? Буду ли оценка отдавания модели взаимодействия distance*consequent
, distance*direction
, distance*dist
и наклона direction
и dist
которая изменяется в зависимости V1
? Что (consequent+direction+dist)^2
обозначает квадрат в ?
Warning message: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, : Model failed to converge with max|grad| = 0.123941 (tol = 0.001, component 1)
. Почему ?
type=c("p","smooth")
вplot.merMod
, или перемещении ,ggplot
если вы хотите , доверительные интервалы) в том , что она выглядит как есть небольшой , но важный шаблон, который вам может быть в состоянии исправить, приняв другую функцию ссылки. Вот и все ...