0

这是我提出的第一个问题，如果我的问题没有按照适当的准则提出，我深表歉意，但我会尽可能详细。

我想使用果蝇检查不同近交系之间适应性的两性差异。我已经从每行（n = 33 个等值线）中检测了 10 个人的健康度。女性适合度是繁殖力，即单个女性产生的后代数量和男性适合度作为焦点男性与竞争对手男性竞争的后代的比例（竞争能力）。由于这两种度量都在不同的尺度上（即计数和比例），所以在分析之前，IZ 转换了数据。

我的数据样本如下所示（由于死亡，我有几个 NA）

line    sex fitness
3a  male    -0.086616292
3a  male    1.077458823
3a  male    -1.011906768
3a  male    1.077458823
3a  male    -0.126015757
3a  male    1.077458823
3a  male    -1.429779886
3a  male    NA
3a  male    NA
3a  male    -0.150576463
4a  male    0.498865275
4a  male    -0.651671321
4a  male    0.472263273
4a  male    -0.426884402
4a  male    0.165735656
4a  male    -1.429779886
4a  male    -1.429779886
4a  male    -1.429779886

我对线条的主要影响和性*线条交互感兴趣。我将性视为固定效应，将线和线*性交互视为随机效应

这是第一次拟合这样的模型，所以我怀疑我有一些错误，见下文。

我的问题如下

（1）除了默认的高斯和恒等之外，我还需要指定具体的链接函数和误差结构吗？由于我的响应变量是计数和比例数据的混合，它已经被 Z 转换为相同的比例并且在单个列中（即适应度），它既不是泊松也不是二项式。此外，在转换（即标准化）后，我的适应度测量我的响应变量不正常那么是否有一些错误结构可以解释这一点？

（2）关于我的模型测试程序，我无法在帮助论坛或书籍中找到直接的答案来说明测试我感兴趣的固定效应和随机效应（性别*线）之间的相互作用。我对程序并不完全有信心如果有人可以提供一些关于此的提示，我将非常感激。

当我使用 anova 比较具有和不具有效果的模型时，我已经包含了输出，我正在测试每个模型的代码下方的重要性。 

model1<-lmer(fitness~sex+(1|line)+(1|sex:line),data=BL1InxNoOutLiars,REML=FALSE) #FULL MODEL
    summary(model1)

Linear mixed model fit by REML ['lmerMod']
Formula: fitness ~ sex + (1 | line) + (1 | sex:line) 
   Data: BL1InxNoOutLiars 

REML criterion at convergence: 1682.278 

Random effects:
 Groups   Name        Variance Std.Dev.
 sex:line (Intercept) 0.03565  0.1888  
 line     (Intercept) 0.08432  0.2904  
 Residual             0.78479  0.8859  
Number of obs: 626, groups: sex:line, 66; line, 33

Fixed effects:
            Estimate Std. Error t value
(Intercept) -0.05413    0.07800  -0.694
sexmale      0.05028    0.08491   0.592

Correlation of Fixed Effects:
        (Intr)
sexmale -0.533


    model<-lmer(fitness~(1|line)+(1|sex:line),data=BL1InxNoOutLiars,REML=FALSE)
    anova(model1,model2) #test significance of sex, p=0.5365

OUTPUT
model2: fitness ~ (1 | line) + (1 | sex:line)
model1: fitness ~ sex + (1 | line) + (1 | sex:line)
          Df    AIC    BIC  logLik deviance  Chisq Chi Df Pr(>Chisq)
model2   4 1683.9 1701.7 -837.96   1675.9                         
model1  5 1685.5 1707.8 -837.78   1675.5 0.3644      1     0.5461

    model3<-lmer(fitness~(1|sex:line),data=BL1InxNoOutLiars,REML=FALSE)
    model4<-update(model1.1,~.-sex,REML=TRUE)#remove sex from full model as it is non-significant
    anova(model4,model3)#test significant of line, p=0.012

OUTPUT
Models:
model3: fitness ~ (1 | sex:line)
model4: fitness ~ (1 | line) + (1 | sex:line)
         Df    AIC    BIC  logLik deviance Chisq Chi Df Pr(>Chisq)  
model3  3 1688.0 1701.3 -841.00   1682.0                          
model4  4 1683.9 1701.7 -837.96   1675.9 6.074      1    0.01372 *


    model5<-lmer(fitness~(1|line),data=BL1InxNoOutLiars,REML=FALSE)
    anova(model4,model5)###LINE X SEX INTERACTION IS NS P=0.1558

OUTPUT
model5: fitness ~ (1 | line)
model4: fitness ~ (1 | line) + (1 | sex:line)
          Df    AIC    BIC  logLik deviance  Chisq Chi Df Pr(>Chisq)
model5  3 1683.9 1697.2 -838.97   1677.9                         
model4   4 1683.9 1701.7 -837.96   1675.9 2.0143      1     0.1558

抱歉，如果我不清楚或以不正确的方式提出了我的问题，对此的任何指导也表示赞赏。

提前致谢

4

0 回答 0