Proporción de la varianza explicada en un modelo de efectos mixtos.

No sé si esto se ha preguntado antes, pero no encontré nada al respecto. Mi pregunta es si alguien puede proporcionar una buena referencia para aprender cómo obtener la proporción de varianza explicada por cada uno de los factores fijos y aleatorios en un modelo de efectos mixtos.

Puedo proporcionar algunas referencias:

Xu, R. (2003). Medición de la variación explicada en modelos lineales de efectos mixtos. Estadísticas en medicina , 22 , 3527-3541. DOI: 10.1002 / sim.1572

$R^2$

Hössjer, O. (2008). Sobre el coeficiente de determinación para modelos de regresión mixta. Revista de planificación estadística e inferencia , 138 , 3022-3038. DOI: 10.1016 / j.jspi.2007.11.010

$R^2$

¡Feliz lectura!

MuMInR$^2$$^1$

#load packages
library(lme4)
library(MuMIn)

#Fit Model
m <- lmer(mpg ~ gear + disp + (1|cyl), data = mtcars)

#Determine R2:
r.squaredGLMM(m) 

       R2m       R2c 
 0.5476160 0.7150239  

La salida para la función r.squaredGLMMproporciona:

• R2m : valor R cuadrado marginal asociado con efectos fijos

• R2c valor R2 condicional asociado con efectos fijos más los efectos aleatorios.

Nota: un comentario en la publicación del blog vinculado sugiere que un enfoque alternativo inspirado en Nakagawa y Schielzeth desarrollado por Jon Lefcheck (usando la sem.model.fitsfunción en el piecewiseSEMpaquete) produjo resultados idénticos. [Entonces tienes opciones: p].

• No probé esta última función, pero probé la r.squaredGLMM()función en el MuMInpaquete y, por lo tanto, puedo dar fe de que todavía funciona hoy (2018).

• $^2$

^{1: Nakagawa, S. y Schielzeth, H. 2013. Un método general y simple para obtener R2 a partir de modelos lineales generalizados de efectos mixtos. Methods in Ecology and Evolution 4 (2): 133-142.}

^{2: Johnson, PCD 2014 Extensión de Nakagawa y Schielzeth's R2GLMM a modelos de pendientes aleatorias. Methods in Ecology and Evolution 5: 44–946.}