¿Cómo probar la sobredispersión en Poisson GLMM con lmer () en R?

12

Tengo el siguiente modelo:

> model1<-lmer(aph.remain~sMFS1+sAG1+sSHDI1+sbare+season+crop
  +(1|landscape),family=poisson)

... y este es el resultado resumido. 

> summary(model1)
Generalized linear mixed model fit by the Laplace approximation 
Formula: aph.remain ~ sMFS1 + sAG1 + sSHDI1 + sbare + season + crop 
         +      (1 | landscape) 
  AIC  BIC logLik deviance
 4057 4088  -2019     4039
Random effects:
 Groups    Name        Variance Std.Dev.
 landscape (Intercept) 0.74976  0.86588 
Number of obs: 239, groups: landscape, 45

Fixed effects:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept)  2.6613761  0.1344630  19.793  < 2e-16 
sMFS1        0.3085978  0.1788322   1.726  0.08441   
sAG1         0.0003141  0.1677138   0.002  0.99851    
sSHDI1       0.4641420  0.1619018   2.867  0.00415 
sbare        0.4133425  0.0297325  13.902  < 2e-16 
seasonlate  -0.5017022  0.0272817 -18.390  < 2e-16 
cropforage   0.7897194  0.0672069  11.751  < 2e-16
cropsoy      0.7661506  0.0491494  15.588  < 2e-16

                  

Correlation of Fixed Effects:
           (Intr) sMFS1  sAG1   sSHDI1 sbare  sesnlt crpfrg
sMFS1      -0.007                                          
sAG1        0.002 -0.631                                   
sSHDI1      0.000  0.593 -0.405                            
sbare      -0.118 -0.003  0.007 -0.013                     
seasonlate -0.036  0.006 -0.006  0.003 -0.283              
cropforage -0.168 -0.004  0.016 -0.014  0.791 -0.231       
cropsoy    -0.182 -0.028  0.030 -0.001  0.404 -0.164  0.557

Probablemente esté sobredispersado, pero ¿cómo calculo exactamente esto?

Muchas gracias.

r poisson-distribution lme4-nlme glmm overdispersion susie
fuente
Pruebe el qcc.overdispersion.test en el paquete qcc .
Penguin_Knight
44
No estoy bien versado en el uso del paquete lme4, pero una forma de averiguar si hay una dispersión excesiva cuando se trata de un modelo de Poisson es comparar la desviación residual con los grados residuales de libertad. Se supone que son los mismos, por lo que si la desviación residual es mayor que los grados de libertad residuales, esto es una indicación de sobredispersión. También está la prueba de Cameron y Trivedi de la suposición de equidispersión, pero nuevamente, no estoy seguro de si esto puede ser realizado por el paquete lme4.
Graeme Walsh
3
@Penguin_Knight: no parece que qcc.overdispersion.testsea ​​apropiado (prueba la sobredispersión en datos binomiales en bruto , no en un modelo)
Ben Bolker

Respuestas:

4

Entre muchos otros datos útiles sobre GLMM con lmer () y otro software de ajuste GLMM, consulte la sección en la siguiente página web llamada ¿Cómo puedo lidiar con la sobredispersión en GLMM?

http://glmm.wikidot.com/faq

ndoogan
fuente
Esto es más un comentario que una respuesta. ¿Podría expandirlo, quizás dando un resumen de la información en el enlace?
gung - Restablecer Monica
0

El paquete AER (p.33) tiene la prueba de Cameron y Trivedi de la suposición de equidispersión que se puede usar con GLM.

AER::dispersiontest(model1)
daszlosek
fuente
2
Aunque la implementación a menudo se mezcla con contenido sustantivo en las preguntas, se supone que somos un sitio para proporcionar información sobre estadísticas, aprendizaje automático, etc., no código. También puede ser bueno proporcionar código, pero elabore su respuesta sustantiva en texto para las personas que no leen este idioma lo suficiente como para reconocer y extraer la respuesta del código.
gung - Restablecer Monica