Mixed effect Modell - hohe P-Werte u.a.m.

[EDi]

Code: Alles auswählen

plot(allEffects(mod_b)) 

Genau, das ist ein guter Anfang. Wenn du jetzt spezifische Hypothesen testen möchtest (e.g. Wahrscheinlichkeit Meinung0 ist größer als Meinung2) empfehle ich das lsmeans package.

Sofern mein Verständnis passt, frage ich mich noch, wie man testen kann, dass das Modell die Daten sinnvoll wiedergibt. Ich mache mir Sorgen, dass das alles schön und gut ist, aber total falsch...

Logistische Regression ist nicht so einfach zu diagnostizieren.... (Falls jemand einen guten Workflow hat - her damit )
Viele plots machen (jittern ist da sehr hilfreichen), fachspezifisches Wissen mit einbringen, Binning könnte auch helfen.
Hier ein Beispiel für plots.

Einpaar Ideen gibts hier, hier und hier. Das DHARMa package könnte auch sehr nützlich werden (in der vignette gibts auch ein Beispiel)

[RUser]

Danke für die Links!

Ich habe mit dem DHARMa-Paket eine Grafik erstellt und angehängt.
Code:

Code: Alles auswählen

library(DHARMa)
simulationOutput <- simulateResiduals(fittedModel = mod_b)
plotSimulatedResiduals(simulationOutput = simulationOutput)

Das sieht ausgesprochen gut aus. Die Residuen im QQ-Plot schlängeln sich schön der 45°-Linie hoch. Rechts sind die roten Linien nicht exakt waagerecht. Aber wenn ich das richtig verstanden habe, wäre dazu ein perfektes Modell nötig und welches Modell ist schon perfekt. Kurzum, ich verstehe die Grafik so, dass sie den hohen Fit des Modells auf die Daten zeigt.

Der KS-Test macht mich da weniger optimistisch.

Code: Alles auswählen

> testUniformity(simulationOutput = simulationOutput)

        One-sample Kolmogorov-Smirnov test

data:  simulationOutput$scaledResiduals
D = 0.019909, p-value = 0.1938
alternative hypothesis: two-sided

Hier habe ich eine Frage. Ist das nun ein gutes oder eher schlechtes Ergebnis? Der p-Wert ist hoch, aber wie ist das hier zu interpretieren?

Freue mich über Gedanken und Hilfestellung

[EDi]

Jupp, die plots zeigen keine Probleme auf.

Der Test zeigt auch keine signifikante Abweichung von der Gleichverteilung an.
[Er testet ja H0: Daten sind gleichverteilt. Da p > 0.05, haben wir keine Hinweise dafür, dass sie aus einer anderen Verteilung entstehen.]

[RUser]

Prima, dann passt da alles zusammen.

Ich denke, mehr werde ich an "Beweisen" für die Güte des Modells nicht in meiner Hausarbeit unterkriegen können.
Freut mich aber sehr, dass da belastbare Resultate rausgekommen sind

Danke nochmal!