¿Cómo debe de efectos mixtos modelos de comparación y / o validado?

Question

Cómo son (lineal) de efectos mixtos modelos normalmente en comparación con el uno contra el otro? Sé el cociente de probabilidad de las pruebas se pueden utilizar, pero esto no funciona si un modelo no es un "subconjunto" de los otros correcta?

Es la estimación de los modelos df siempre es sencillo? El número de efectos fijos + número de componentes de varianza estimados? Hacemos caso omiso de los efectos aleatorios de las estimaciones?

¿Qué acerca de la validación? Mi primer pensamiento es el de la validación cruzada, pero al azar pliegues podría no funcionar, dada la estructura de los datos. Es una metodología de "salir de uno de los sujetos/cluster' la adecuada? ¿Qué acerca de dejar una observación?

Cp Mallows puede ser interpretado como una estimación de los modelos de predicción de error. Selección del modelo a través de la AIC, se intenta minimizar el error de predicción (por Lo de Cp y AIC debe elegir el mismo modelo si los errores son de Gauss, creo). Esto no significa de AIC o Cp se puede utilizar para seleccionar un 'óptimo' modelo lineal de efectos mixtos a partir de una colección de algunos de onu-modelos anidados en términos de error de predicción? (siempre que se ajuste a los mismos datos), Es BIC aún más probable que elija el "verdadero" modelo de entre los candidatos?

Yo también estoy bajo la impresión de que cuando se comparan los modelos de efectos mixtos a través de la AIC o BIC solo se tiene en cuenta los efectos fijos como 'parámetros' en el cálculo, no de los modelos reales df.

Hay alguna buena literatura sobre estos temas? Es que vale la pena investigar cAIC o mAIC? ¿Tienen aplicación específica fuera de la AIC?

Saludos

Answer 1

El principal problema de selección de modelo en los modelos mixtos es definir los grados de libertad (df) de un modelo, de verdad. Para calcular df de un modelo mixto, se debe definir el número de parámetros estimados, incluyendo efectos fijos y aleatorios. Y esto no es sencillo. Este papel por Jiming Jiang y otros (2008) titulado "Valla de métodos mixtos de selección de modelo" podría aplicarse en tales situaciones. Un nuevo trabajo relacionado es este uno por Greven, S. & Kneib, T. (2010) titulado "Sobre el comportamiento de los marginales y condicionales de la AIC en el lineal de los modelos mixtos". Espero que esto podría ser útil.

Answer 2

Una manera de comparar los modelos (ya sea mixto o de otra índole) para graficar los resultados. Supongamos que havae modelo a y el modelo B; producir los valores ajustados de cada gráfico y de ellos uno contra el otro en un diagrama de dispersión. Si los valores son muy similares (utilizando tu juicio en cuanto a si son) elegir el modelo más sencillo. Otra idea es encontrar las diferencias entre los valores ajustados y el gráfico de estas en contra de los valores independientes; también se puede hacer un diagrama de densidad de las diferencias. En general, soy partidario de no uso de pruebas estadísticas para la comparación de modelos (aunque AIC y sus variantes, ciertamente, tienen virtudes), sino mediante juicio. Por supuesto, esto tiene la (des)ventaja de no dar respuestas precisas.