summary() von generalized linear mixed model gibt p-Wert nicht raus

Varianzanalyse, Diskriminanzanalyse, Kontingenzanalyse, Faktorenanalyse, Clusteranalyse, MDS, ....

Moderator: EDi

Antworten
dom

summary() von generalized linear mixed model gibt p-Wert nicht raus

Beitrag von dom »

Liebe Statistik-Freunde,

wie im Titel beschriebe krieg ich bei summary {base} von einem GLMM (erstellt mit glmer {lme4}) den p-Wert nicht raus. Äquivalent dazu werden mir bei anova {stats} das Multiple R-squared, das Adjusted R-squared und der p-value ebenfalls nicht ausgegeben. Wenn ich das ganze aber über ein LM laufen lasse, wird mir alles gewünschte ausgegeben. Weiss jemand von Euch eine Lösung dazu?

Liebe Grüsse
Dom

P.S.: Die Syntax sieht wie folgt aus ->

1. Fitting Generalized Linear Mixed Models:
glmer_x <- glmer(true / total ~ treatment + (1|ID) , weights=total, family = binomial(link = "logit"), data = x)

2. Summary
summary(glmer_x)

3. ANOVA
anova(glmer_x)
Benutzeravatar
EDi
Beiträge: 1599
Registriert: Sa Okt 08, 2016 3:39 pm

Re: summary() von generalized linear mixed model gibt p-Wert nicht raus

Beitrag von EDi »

Code: Alles auswählen

help("pvalues", package = "lme4")
Wenn ich das ganze aber über ein LM laufen lasse,
Da liegen Welten dazwischen...
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.
dom

Re: summary() von generalized linear mixed model gibt p-Wert nicht raus

Beitrag von dom »

Hallo EDi

Danke für Deine Antwort! :)

Den P-Wert habe ich jetzt so rausgekriegt:

library(pbkrtest)
car::Anova(glmer_x)

--------------------------------------------------------------------------
Analysis of Deviance Table (Type II Wald chisquare tests)

Response: true/total
Chisq Df Pr(>Chisq)
block 412.84 2 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
--------------------------------------------------------------------------

Dort wird mir aber ein Chi-Quadrat-Wert und kein F-Wert ausgegeben, auch wenn die Zeile "car::Anova(glmer_x, test.statistic=("F"))" lautet :| Hast Du mir da einen Rat?
Benutzeravatar
EDi
Beiträge: 1599
Registriert: Sa Okt 08, 2016 3:39 pm

Re: summary() von generalized linear mixed model gibt p-Wert nicht raus

Beitrag von EDi »

Hast Du mir da einen Rat?
Ich vermute (!) dies könnte (!) auch auf GLMM zutreffen:
For models with known dispersion (e.g., binomial and Poisson fits) the chi-squared test is most appropriate,...
Ich würde ja ganz die Finger von p-Werten lassen (vorallem wenn nicht klar ist was sie bedeuten)...
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.
dom

Re: summary() von generalized linear mixed model gibt p-Wert nicht raus

Beitrag von dom »

Hallo EDi

Dann wird hier der Chi-Quadrat-Wert wohl der adäquateste sein für dieses Beispiel. Hab' das Gleiche auch noch auf einer deutschen Seite gelesen; werde mich aber noch genauer informieren. Danke jedenfalls für das Zitat!
Die Problematik des p-Wertes ist mir bekannt, aber die Prüfwerte der Tests kann ich ja nicht direkt vergleichen; den p-Wert schon. Und das wird halt oft so verlangt. Oder wie genau meinst Du es?

Für die Einzelvergleiche (die dann eigentlich am meisten interessieren!) werde ich übrigens den Tukey-Test verwenden. Da siehst Du keine Probleme beim GLMM, oder? Hatte bis anhin nur mit LM zu tun, deshalb ist das alles Neuland für mich :)

------------------------------------------------------------------
# Tukey-Test:

library(multcomp)
summary(glht(glmer_x, mcp(block = "Tukey")))
summary(glht(glmer_x, mcp(block = "Tukey")))
------------------------------------------------------------------
Benutzeravatar
EDi
Beiträge: 1599
Registriert: Sa Okt 08, 2016 3:39 pm

Re: summary() von generalized linear mixed model gibt p-Wert nicht raus

Beitrag von EDi »

Und das wird halt oft so verlangt. Oder wie genau meinst Du es?
Die Effektgrößen erachte ich als informativer als p-Werte.
Bei glm bedeuted dies eventuell die Koeffizienten auf eine leichter interpretierbare Skala zu bringen (oft finde ich es auf der link-skala schwer, hier hilft eine transformation...).

Das gilt auch bei Mehrfachvergleichen (Um wieviel xy unterscheiden sich die Treatments? Wie genau ist das? Ist das signifikant im biologischen Sinne)?
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