glmmPQL com dois fatores aleatórios

[André Luís Luza]

Boa tarde,

estou analisando modelos lineares generalizados mistos com a função glmer. No entanto, o modelo que estou analisando possui sobredispersão, e glmer não funciona com quasi-distribuições. Para corrigir isto a solução seria utilizar métodos que permitem ajustar modelos com distribuições como quasi-poisson via Penalized Quasi-Likelihood (função glmmPQL [MASS])).

No entanto, meu modelo contém dois efeitos aleatórios. Até onde vi e testei, a função glmmPQL permite ajustar somente efeitos aleatórios aninhados - http://www.stats.ox.ac.uk/~snijders/nlme.pdf - e não particiona a variância nos dois efeitos aleatórios.

A função que estou utilizando é a seguinte:

m1<-glmmPQL(Y~X1+...+Xn, random=list(regiao=~1, Floresta.interface=~1), family=quasipoisson("log"), data=data)

A função estima a variância da regiao, e da Floresta.interface aninhada dentro da região.

Além disto, a sintaxe para efeitos aleatórios "random = ~1|regiao/Floresta.interface" produz os mesmos resultados.

Alguém tem alguma ideia da sintaxe correta para ajustar dois efeitos aleatórios em glmmPQL, ou indicar uma função alternativa para ajustar quasi-distribuições em modelos com sobredispersão e com mais de um efeito aleatório ?

Obrigado

Att.

André Luís Luza

PPG Ecologia

Universidade Federal do Rio Grande do Sul

[Nicholas Marino]

Oi André.

Você precisa mesmo usar uma distribuição poisson? Não existe a possibilidade de usar uma distribuição normal?

De toda forma, alguns trabalhos calculam o valor do parâmetro de overdispersion e usam esse valor para corrigir a variável resposta. Acho que isso está até no livro do Crawley. Nos artigos, isso é mencionado como 'uma correção para overdisperion empiricamente determinada'.

abcs.

[André Luís Luza]

Olá Nicholas. A variável resposta são proporções - valores entre 0 e 1 (redundância funcional). Para analisar isto transformei os valores em porcentagem e trunquei para números inteiros (figura da esquerda), para poder analisar com Poisson e mesmo com zero-inflated models. Uma solução seria o log(redundância), mas não tem como dizer que estes dados abaixo (figura direita) tem distribuição normal [além disto os zeros somem, e zero de redundância funcional é importante].

O problema  é com a estimativa da variância explicada pelos efeitos aleatórios e não com a correção do erro padrão dos parâmetros. Como os fatores aleatórios estão aninhados no glmmPQL, as estimativas dos fatores fixos mudam (embora sutilmente) porque estas estimativas levam em conta as médias dos fatores aleatórios.

OBS: A forma de calcular o parâmetro de sobredispersão está no Crawley.

Obrigado pela sugestão. 

Abraço

André L. Luza

--
Não é permitido pedir, oferecer ou divulgar qualquer conteúdo pirata na lista.
Envie ou responda perguntas para o e-mail (r-eco...@googlegroups.com)
---
Você recebeu essa mensagem porque está inscrito no grupo "R-Ecology" dos Grupos do Google.
Para cancelar inscrição nesse grupo e parar de receber e-mails dele, envie um e-mail para r-ecologia+...@googlegroups.com.
Para postar nesse grupo, envie um e-mail para r-eco...@googlegroups.com.
Acesse esse grupo em https://groups.google.com/group/r-ecologia.
Para ver essa discussão na Web, acesse https://groups.google.com/d/msgid/r-ecologia/CABZMcvvCL4rYi7%3Dn2Tun2%3Dowv1nFVOvie-1%3DUQcUSYVjTv1_zg%40mail.gmail.com.
Para mais opções, acesse https://groups.google.com/d/optout.