用二項式數據解釋廣義線性混合模型
我有一個帶有二項式響應數據的廣義線性混合模型，該模型：
model <- glmer(RespYN ~ Treatment + Gender + Length + (1 | Anim_ID), data = animDat, family = binomial(link = "logit"))我不是統計學家（我是生物學家），所以我不知道如何解釋數據。我理解使用線性混合模型，由於平均差異等是響應變量的平均值。對於二項式 GLMM，我不確定。
我如何證明治療引起/不引起反應？
這是我的輸出（很抱歉傾倒了所有這些）：
Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod'] Family: binomial ( logit ) Formula: RespYN ~ Treatment + Gender + Length + (1 | Anim_ID) Data: animDat AIC BIC logLik deviance df.resid 142.1 158.1 -66.1 132.1 176 Scaled residuals: Min 1Q Median 3Q Max -2.6913 -0.3021 -0.2059 0.4435 3.8066 Random effects: Groups Name Variance Std.Dev. Cockroach_ID (Intercept) 0 0 Number of obs: 181, groups: Cockroach_ID, 10 Fixed effects: Estimate Std. Error z value Pr(>|z|) (Intercept) 5.03046 3.62723 1.387 0.165 TreatmentPo -4.06399 0.48900 -8.311 <2e-16 *** GenderM 0.13323 0.49365 0.270 0.787 Length -0.05896 0.05758 -1.024 0.306 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Correlation of Fixed Effects: (Intr) TrtmnP GendrM TreatmentPo -0.175 GenderM -0.412 -0.039 Length -0.995 0.139 0.348 convergence code: 0
解釋與廣義線性模型相同，只是固定效應的估計取決於隨機效應。
由於這是一個廣義線性混合模型，係數估計的解釋方式與線性模型不同。在這種情況下，您有一個帶有 logit 鏈接的二元結果，因此原始估計值是對數賠率規模。截距的估計係數 5.03046是等於 0
RespYN時為 1（或編碼為任何非參考值）的對數機率，並取它們的參考值。d 的零值在您的樣本中可能沒有意義，因為它可能永遠不會是負數並且總是遠高於零，如果是這樣，您可能需要考慮將其居中，以便居中變量的零值更多有意義的。Length``Treatment``Gender``Length-0.05896的估計值
Length意味著與 0相比，增加 1 個單位Length與 1 的對數機率減少 0.05896 相關聯。如果我們對該數字取冪，則我們得到優勢比 0.9427445，這意味著對於增加 1 個單位，我們預計（大約）為1 的機率會降低 6%。RespYN``RespYN``Length``RespYN對 -4.06399的估計
TreatmentPo意味著Treatment= Po 與 0 相比，與其他治療組為RespYN1的對數機率低 4.06399 相關。RespYN這可以如上所述取冪以獲得優勢比。相同的分析適用於Gender。我如何證明治療引起/不引起反應？
統計數據無法證明任何事情，尤其是觀察性研究。您可以說，在控制
Gender和Length內的重複測量Anim_ID時，您已經發現證據表明Treatment與結果的關聯不為零。您也可以說，如果Treatment與結果的關聯實際上為零，那麼觀察您擁有的數據或更極端的數據的概率小於 0.0000000000000002最後，我注意到您
Anim_ID在模型公式中指定了隨機截距，但模型輸出表明這Cockroach_ID是分組變量。這很奇怪，通常它們是相同的。此外，收斂代碼為零，表示模型尚未收斂，隨機效應的估計方差為零。這意味著 . 內可能沒有變化Anim_ID。glm()擬合一個模型（即沒有隨機截距但具有Anim_ID固定效應）並查看模型估計值的比較是一個好主意。