1

我正在尝试使用lmer(). 下面的三个模型都试图实现相同的目标——一个简单的固定效应模型——所以两个肯定是错的。

在模型中，shoppers是商业中心的消费者支出数据。有一个一般的平方反比距离关系描述了消费者是如何从中心分布的。这反映在一个gravity模型中，该矩阵将较近的区域加权高于较远的区域，以模拟距离的影响。 Population还给出了住宅区的大小。我认为这r3应该是正确的格式，但它产生的 AIC 分数高于r2. 知道为什么会这样，哪个是正确的？

> r1 <- lmer(shoppers / gravity ~ population + (1 | District), data = d)
> r2 <- lmer(shoppers * gravity ~ population + (1 | District), data = d)
> r3 <- lmer(shoppers ~ gravity / population + (1 | District), data = d)
> 
> summary(r1)@AICtab
      AIC      BIC    logLik deviance  REMLdev
 38154.25 38180.12 -19073.12 38132.84 38146.25
> summary(r2)@AICtab
      AIC     BIC    logLik deviance  REMLdev
 6504.574 6530.45 -3248.287 6470.837 6496.574
> summary(r3)@AICtab
      AIC     BIC    logLik deviance  REMLdev
 14965.16 14997.5 -7477.579 14933.57 14955.16

提前谢谢了！

4

1 回答 1

1

您的模型shoppers ~ gravity / population + (1 | District)用作shoppers因变量，而和( )gravity之间的主效应和交互作用作为两个固定效应：gravitypopulationgravity:population

model1 <- lmer(shoppers ~ gravity / population + (1 | District), data = d)

如果你想测试交互，你的模型也应该包含相应的主效应。

如果您想测试gravity除以population作为单个固定效果的结果的效果，请使用以下公式：

model2 <- lmer(shoppers ~ as.numeric(gravity / population) + (1 | District), data = d)

也许你想试试这个模型shoppers ~ gravity * population + (1 | District)。该模型存在三个固定效应： 两者的主效应gravity以及population这些变量之间的交互作用（gravity:population）：

model3 <- lmer(shoppers ~ gravity * population + (1 | District), data = d)

模型的选择应取决于基础理论和您的问题/假设。

由于这些模型使用相同的因变量 ( shoppers)，即它们在~符号左侧相同，因此您可以比较 AIC 值。

anova(model1, model2, model3)
于 2012-09-05T15:12:35.297 回答