Multiple regression, mixed variables, binomial dependent variable

Modelle zur Korrelations- und Regressionsanalyse

Moderator: EDi

Antworten
Sarya

Multiple regression, mixed variables, binomial dependent variable

Beitrag von Sarya »

Hallo zusammen,
Ich bin zurzeit an einem Forschungsprojekt, das den Zusammenhang zwischen Mikrohabitat-Wahl und Farbe von Fischen untersucht.
Dazu wurde die Zeit in Mikrohabitat A und B gemessen und als Wert zwischen 0 und 1 notiert (also als relativer Wert/Proportion). z.B A= Stein, B= Seegras (POsidonia). Die gemessenen Zeiten wurden dann relativ notiert für das jeweilige Mikrohabitat, z.B als relative Zeit in Posidonia).
Die Farben der Fische sind grün, braun und intermediate (Zwischenstufe). Weitere Messwerte sind Standardlänge der Fische, Tageszeit und Site/Location. Nun möchte ich zeigen, dass die Farbe der Fische am besten die relative Zeit im Mikrohabitat voraussagt und sich die unterschiedlichen Farben in unterschiedlichen Mikrohabitaten (0% in Posidonia = 100% über Stein) aufhalten. Dazu habe ich mich für ein GLMM der Familie binomial entschieden, obwohl die dependent variable nicht wirklich binär ist, sondern eben proportion (zwischen 0 und 1 aber mit 0 und 1). Als fixed effects habe ich Farbe und Standardlänge gewählt, bin jetzt aber unsicher ob ich Site und Tageszeit als random effects einspeisen soll, v.a weil ich nur 2 Sites habe.

Code: Alles auswählen

rois_model = glmer(PosidoniaRatio ~ colour + length + (1|site) + (1|water_clarity) + (1|daytime), data=tempdat, family=binomial)
summary(rois_model)
Was mir folgenden Output gibt:
T1.png
T2.png
Nun habe ich Mühe mit der Interpretation..
Was bedeuten die Variances der random effects?
Kann ich anhand von diesem Ergebnis sagen, dass Farbe der beste Predictor ist für die Mikrohabitat-Association?
Wie kann ich jetzt herausfinden, welche Farbe wie mit dem Mikrohabitat assoziiert ist?


Bin noch ziemlich neu mit R und hoffe die Frage ist nicht zu banal.
Danke für jede Hilfe!

Liebe Grüsse,
Sarya
Benutzeravatar
EDi
Beiträge: 1599
Registriert: Sa Okt 08, 2016 3:39 pm

Re: Multiple regression, mixed variables, binomial dependent variable

Beitrag von EDi »

Der summary output zeigt im wesentlichen dass das Model nicht passt:

0 Random Effect Varianz ist (fast) immer ein Zeichen dass was schief läuft. Ohne mehr von den Daten zu sehen, kann ich nur sagen:

1) 2 levels in einem Random Factor sind zu wenig um eine Varianz zu schätzen (deshalb wirds vermutlich 0)

2) binomial passt meiner Meinung nach nicht. Vielleicht beta... Aber warum hat man nicht die Zeiten absolut gemessen ( kannst du das noch zurückrechnen?)? Dann hatte man die ingesamt gemessene Zeit vielleicht als offset nehmen können (falls verschieden) und eine Gammaverteilung ???


Ich rate dir dich noch etwas in die GLMM literatur einzuarbeiten ( das buch von Zuur finde ich gut).
Bitte immer ein reproduzierbares Minimalbeispiel angeben. Meinungen gehören mir und geben nicht die meines Brötchengebers wieder.

Dieser Beitrag ist lizensiert unter einer CC BY 4.0 Lizenz
Bild.
Antworten