J'essaie d'adapter un modèle à effets mixtes avec un résultat binaire. J'ai un effet fixe (Offset) et un effet aléatoire (chambre, avec plusieurs points de données provenant de chaque chambre).
Dans le manuel "The R Book", (2007), pg 604, Crawley suggère d'utiliser la fonction lmer avec une famille binomiale pour l'analyse de données binomiales où chaque participant apporte des réponses multiples (analogues à chacune de mes chambres contribuant à des résultats multiples). Sur la base de cet exemple, j'ai utilisé le script suivant pour mes données:
ball = lmer (Buried ~ Offset + (1 | Chamber), family = binomial, data = ballData)
Quand j'exécute ce modèle, j'obtiens cet avertissement:
appeler lmer avec 'family' est obsolète; veuillez utiliser glmer () à la place
Lorsque je change mon code comme suit, le modèle fonctionne:
ball = glmer (Buried ~ Offset + (1 | Chamber), family = binomial, data = ballData)
Sur la base d'autres questions / réponses que j'ai lues sur Cross Validated, lmer ne doit être utilisé que pour les données où le résultat est normalement distribué, et glmer est la fonction correcte à utiliser pour un résultat binomial. Mes questions sont:
1) Quelqu'un pourrait-il clarifier l'écart entre les conseils de Crawleys et le fait que lmer ne fonctionnerait pas pour moi (ni, sur la base de ce que j'ai lu sur CVed, il n'est pas recommandé d'utiliser cette fonction pour les données binomiales)
2) Glmer est-il vraiment la fonction correcte à utiliser pour modéliser un résultat binomial avec des facteurs aléatoires?
3) En supposant que glmer est la bonne fonction à utiliser, je souhaite comparer un modèle avec et sans effets aléatoires pour déterminer si l'inclusion d'effets aléatoires améliore l'ajustement du modèle. Je comprends que glmer estime les paramètres du modèle via le maximum de vraisemblance. Quelle fonction puis-je utiliser pour créer un modèle sans effets aléatoires pour un résultat binaire utilisant le maximum de vraisemblance? Je jouais avec glm mais le fichier d'aide de cette fonction indique que la méthode d'estimation est repondérée de manière itérative aux moindres carrés (ce qui me dépasse, mais ce n'est pas ML ...)