Interpretation eines negativen Binomialmodells ohne Inflation

Question

Ich führe derzeit eine Reihe von negativen Binomialmodellen mit Null-Inflation über den Einfluss der Größe und Richtung der Änderung verschiedener Wetterparameter auf eine Reihe von Insektenverhalten aus (dargestellt als Anzahl der Häufigkeit, mit der das Verhalten in einem festgelegten Zeitraum aufgezeichnet wird der Zeit nach der Exposition). Mein aktuelles Modell untersucht die Fruchtbarkeit wie folgt. Die zufälligen Effekte sind sowohl kategorisch als auch entsprechen dem Tag, an dem das Verhalten aufgezeichnet wurde, und den Aufzuchtbedingungen der Männchen im Labor.

model2<-glmmTMB(No.eggs.laid~Change.6hrs*Direction.6hrs + (1|Day) + (1|Sex.ratio.line.male), family = "nbinom1",ziformula = ~Change.6hrs*Direction.6hrs + (1|Day) + (1|Sex.ratio.line.male), data = charlotte.egg)

Hier ist die zusammenfassende Ausgabe meines Modells:

Family: nbinom1  ( log )
Formula:          
No.eggs.laid ~ Change.6hrs * Direction.6hrs + (1 | Day) + (1 |  
    Sex.ratio.line.male)
Zero inflation:                
~Change.6hrs * Direction.6hrs + (1 | Day) + (1 | Sex.ratio.line.male)
Data: charlotte.egg

     AIC      BIC   logLik deviance df.resid 
  2980.0   3033.3  -1477.0   2954.0      430 

Random effects:

Conditional model:
 Groups              Name        Variance  Std.Dev. 
 Day                 (Intercept) 1.316e-02 1.147e-01
 Sex.ratio.line.male (Intercept) 8.032e-10 2.834e-05
Number of obs: 443, groups:  Day, 7; Sex.ratio.line.male, 10

Zero-inflation model:
 Groups              Name        Variance Std.Dev.
 Day                 (Intercept) 0.58920  0.7676  
 Sex.ratio.line.male (Intercept) 0.01893  0.1376  
Number of obs: 443, groups:  Day, 7; Sex.ratio.line.male, 10

Overdispersion parameter for nbinom1 family (): 5.42 

Conditional model:
                                   Estimate Std. Error z value
(Intercept)                         2.92753    0.11709  25.003
Change.6hrs                        -0.26768    0.12984  -2.062
Direction.6hrsIncrease             -0.06377    0.13621  -0.468
Change.6hrs:Direction.6hrsIncrease  0.23991    0.15250   1.573
                                   Pr(>|z|)    
(Intercept)                          <2e-16 ***
Change.6hrs                          0.0392 *  
Direction.6hrsIncrease               0.6397    
Change.6hrs:Direction.6hrsIncrease   0.1157    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Zero-inflation model:
                                   Estimate Std. Error z value
(Intercept)                         -0.9118     0.6278  -1.452
Change.6hrs                         -2.9058     1.3911  -2.089
Direction.6hrsIncrease              -0.8555     0.6355  -1.346
Change.6hrs:Direction.6hrsIncrease   3.3083     1.4543   2.275
                                   Pr(>|z|)  
(Intercept)                          0.1464  
Change.6hrs                          0.0367 *
Direction.6hrsIncrease               0.1783  
Change.6hrs:Direction.6hrsIncrease   0.0229 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Ich habe einige Fragen zur Ausgabe dieses Modells:

1. Was repräsentiert das Nullinflationsmodell tatsächlich?
2. Reichen diese p-Werte für die Interpretation des Modells aus oder müssen weitere statistische Signifikanztests durchgeführt werden, um auf Beziehungen zwischen Variablen schließen zu können?
3. Wie würden Sie mit dieser Art von Modell die Signifikanz der zufälligen Effekte bestimmen? Mit aufgeblasenen Modellen ungleich Null kann ich dies tun, indem ich die Funktion anova () verwende, um ein Modell mit und ohne einen bestimmten zufälligen Effekt zu vergleichen. Wenn ich dies versuche, wird jedoch nur ein p-Wert generiert. Daher bin ich mir nicht sicher, ob dies entweder das bedingte oder das Nullinflationsmodell betrifft.

Answer 1

1. Was repräsentiert das Nullinflationsmodell tatsächlich?

Dies ist ein Modell für das Auftreten von Nicht-Nullen gegen Nullen. Es kann genauso interpretiert werden wie ein logistisches Regressionsmodell, bei dem Erfolg eine Zählung ungleich Null bedeutet und Sie die Wahrscheinlichkeit modellieren, eine Zählung ungleich Null zu erhalten.

1. Reichen diese p-Werte für die Interpretation des Modells aus oder müssen weitere statistische Signifikanztests durchgeführt werden, um auf Beziehungen zwischen Variablen schließen zu können?

Versuchen Sie, die Koeffizientenschätzungen zu interpretieren, nicht die p-Werte, aber ja, die p-Werte können als die Wahrscheinlichkeit interpretiert werden, diese Daten zu beobachten, oder als extremere Daten, wenn die Nullhypothese wahr ist . Das heißt, jeder p-Wert bezieht sich auf einen bestimmten Test einer bestimmten Nullhypothese, und dies ist der einzige Kontext, in dem Sie p-Werte interpretieren können.

1. Wie würden Sie mit dieser Art von Modell die Signifikanz der zufälligen Effekte bestimmen? Mit aufgeblasenen Modellen ungleich Null kann ich dies tun, indem ich die Funktion anova () verwende, um ein Modell mit und ohne einen bestimmten zufälligen Effekt zu vergleichen. Wenn ich dies versuche, wird jedoch nur ein p-Wert generiert. Daher bin ich mir nicht sicher, ob dies entweder das bedingte oder das Nullinflationsmodell betrifft.

Machen Sie sich auch hier keine allzu großen Sorgen um die p-Werte dieser Tests. Sie haben Maßnahmen wiederholt und berücksichtigen dies daher mit zufälligen Abschnitten. Es reicht aus, die Varianz dieser zufälligen Abschnitte anzugeben. In Ihrem Fall können Sie feststellen, dass die Varianz einer dieser Varianzkomponenten in beiden Teilen des Modells im Vergleich zur anderen gering ist. Trotzdem ist es gut, ein sparsames Modell zu suchen. Wenn Sie also Grund zu der Annahme haben, dass innerhalb einer Ihrer Gruppierungsvariablen für keinen Teil des Modells eine Korrelation bestehen sollte, können Sie den entsprechenden zufälligen Term aus dem entfernen Modellieren und führen Sie einen Likelihood-Ratio-Test auf die gleiche Weise durch wie bei einem Modell ohne Inflation Null. Beachten Sie, dass das Modell zwei Teile enthält, die zufällige Effekte enthalten: den Hauptteil und den ziformulaTeil.