0

我有一个具有几个主要影响和几个交互作用的模型。我想避免任何只包含 3 个交互项的模型。所以基本上所有的主效应和主效应的变化都有各种相互作用，但不是只有相互作用。

M1<-glm(R1 ~ scale(X1)+ scale(X2)+ scale(X3)+ scale(X3*X1)+scale(X2*X1)+scale(X2*X3))

我之前曾使用“表达式”对二次方程进行子集化，它总是有效，但由于某种原因，我无法弄清楚相互作用。

msubset <- expression((`scale(X2)`|!`scale(X2):scale(X1)`)& 
(`scale(X3)`|!`scale(X3):scale(X1)`))
#dredge for model selection
M2<-dredge(M1,subset=msubset,rank=AIC)

任何帮助，将不胜感激。

4

1 回答 1

0

我以前从未在疏浚中使用过这个功能（知道它的存在真是太好了）。我认为您的问题在于scale()公式中函数的使用。我认为这真的没有必要。您的模型的系数当然会受到解释变量幅度的影响，但这对它们是否被确定为有助于解释响应变量没有任何影响。如果可能的话，我建议删除这些，然后您的魔杖似乎可以使用的过程dredge()：

library("MuMIn")

n <- 100
set.seed(1)
df <- data.frame(R1 = rnorm(n), X1 = rnorm(n), X2 = rnorm(n), X3 = rnorm(n))

fmla <- formula(R1 ~ (X1 + X2 + X3)^2)
M1 <- glm(formula = fmla, data = df)
summary(M1)

options(na.action = "na.fail")
M2 <- dredge(global.model = M1, subset = (X2 |!X1:X2) & (X3 |! X1:X3), rank = AIC)
options(na.action = "na.omit")
M2

# Global model call: glm(formula = fmla, data = df)
# ---
# Model selection table 
#      (Int)        X1      X2       X3    X1:X2   X1:X3   X2:X3 df   logLik   AIC delta weight
# 1  0.10890                                                      2 -130.655 265.3  0.00  0.253
# 56 0.11640  0.068320 0.03391 -0.04753          -0.2215 -0.1414  7 -126.119 266.2  0.93  0.159
# 5  0.11120                   -0.04568                           3 -130.528 267.1  1.75  0.106
# 3  0.10840           0.01596                                    3 -130.638 267.3  1.97  0.095
# 24 0.10090  0.056060 0.03889 -0.06773          -0.2180          6 -127.758 267.5  2.21  0.084
# 64 0.11350  0.077270 0.03040 -0.04011 -0.07512 -0.2003 -0.1377  8 -125.846 267.7  2.38  0.077
# 39 0.12550           0.01554 -0.02882                  -0.1369  5 -129.039 268.1  2.77  0.063
# 32 0.09808  0.066770 0.03469 -0.05856 -0.08673 -0.1937          7 -127.404 268.8  3.50  0.044
# 7  0.11070           0.02107 -0.04812                           4 -130.498 269.0  3.69  0.040
# 40 0.12590  0.008263 0.01585 -0.02832                  -0.1374  6 -129.035 270.1  4.76  0.023
# 48 0.11880  0.035720 0.01253 -0.01789 -0.14030         -0.1312  7 -128.040 270.1  4.77  0.023
# 16 0.10380  0.027010 0.01719 -0.03621 -0.14930                  6 -129.399 270.8  5.49  0.016
# 8  0.11070 -0.002730 0.02096 -0.04826                           5 -130.498 271.0  5.69  0.015
# Models ranked by AIC(x)

您的公式中实际上并没有三向交互（其中将包括 ( X1:X2:X3，并且将包含在公式R1 ~ (X1 + X2 + X3)^3.

最后，如果使用 对scale您很重要，并且您没有计算时间问题，您可以随时按照子集标准过滤生成的 M2 表。

于 2022-02-04T08:29:18.427 回答