我使用 glmer() 来分析二项式数据并通过 ggplot 将它们绘制出来。 该图似乎在 x-asix 变量 A 和组变量 B 下都存在显着差异,但 summarise() 显示它们的交互作用没有显着影响。 然后我改变了公式,去掉了三向交互作用,新公式中固定效应显着,但A:B仍然不显着。 比较 AIC 和 R-square,并应用 anova(),两个模型之间并不显着,但第一个模型的 AIC 和 R-square 优于后者。
代码如下:
# The first formula
glmm_model.1 <- glmer(Y~ A*B*C+(1|random),
family = binomial(link="logit"),
data = data)
# Summary of glmm_model.1
AIC BIC logLik deviance df.resid
7284.2 7359.0 -3631.1 7262.2 6599
Scaled residuals:
Min 1Q Median 3Q Max
-5.0345 -0.7168 0.2579 0.6361 3.7524
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.0693230 0.5603642 -1.908 0.05636 .
A 0.0495183 0.0207214 2.390 0.01686 *
B 0.7427204 0.6910692 1.075 0.28249
C 0.0053335 0.0037191 1.434 0.15154
A:B -0.0048718 0.0297818 -0.164 0.87006
A:C -0.0002234 0.0001595 -1.400 0.16152
B:C 0.0161719 0.0054922 2.945 0.00323 **
A:B:C -0.0003741 0.0002331 -1.605 0.10851
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# The latter formula
glmm_model.2 <- glmer(Y~ A*B+A*C+B*C+(1|random),
family = binomial(link="logit"),
data = data)
# Summary of glmm_model.2
AIC BIC logLik deviance df.resid
7282.2 7343.3 -3632.1 7264.2 6601
Scaled residuals:
Min 1Q Median 3Q Max
-4.8153 -0.7150 0.2543 0.6364 3.6107
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.3134516 0.5363266 -2.449 0.01433 *
A 0.0604615 0.0193618 3.123 0.00179 **
C 0.0088813 0.0028810 3.083 0.00205 **
B 1.3152630 0.5962002 2.206 0.02738 *
A:C -0.0003815 0.0001186 -3.216 0.00130 **
B:C 0.0076455 0.0018364 4.163 3.14e-05 ***
A:B -0.0302563 0.0252771 -1.197 0.23131
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
按照上面的方法尝试,然后我改变了公式,去掉了三向交互作用,固定效应在新公式中显示显着,但A:B仍然不显着,并且绘图没有显着变化