我应该将时间视为 GLMM 中的固定效应还是随机效应？

机器算法验证 时间序列 随机效应模型 固定效应模型 咕噜咕噜
2022-03-29 03:26:45

我正在尝试确定一种农药是否会影响特定鸟类的数量。我有 35 年的数据，这些数据是在每年运行的路边调查路线上收集的（繁殖鸟类调查）。我也在考虑环境变量，例如土地利用和气候变量。

我应该将“年”作为固定效应还是随机效应包括在内？我需要考虑这样一个事实，即鸟类数量随着时间的推移而减少，而杀虫剂的使用却在增加。

我当前的代码如下所示：

BBS.1 <- glmmadmb(abun ~ pmdi + avail + rte.pest + rte.dev + rte.ag + rte.precip + rte.temp + (1|year) + (1|eco) + (1|rte.num), data = mybbs, family = "nbinom")

在哪里：

  • abun = 鸟类丰富度
  • pmdi = 干旱指数
  • 效用 = 1/（到 ag 的距离 + 1）
  • rte.pest = 路线内使用的农药公斤数（使用 GIS 缓冲 0.5 公里）
  • rte.dev = 路线内的已开发区域
  • rte.ag = 路线内的农业区
  • rte.precip = 路线内的年降水量
  • rte.temp = 路线内的平均每月最高温度
  • 年份 = 进行调查的年份（35 年可能的因素）
  • eco = 生态区（具有 6 个可能的生态区的因子）
  • rte.num = 路由 ID 号

我发现了一个类似的问题，以前有人问过，但从未得到回答。我非常感谢您能够提供的任何帮助！

1个回答

我认为它可能比“固定”或“随机”效果更复杂一些。你似乎暗示的是，多年来鸟类数量明显下降。可能不知道的是，这是否可以用回归中现有变量的值来解释。理想情况下，您将包括所有可能影响丰度而不是年份的变量，但似乎您可能有一些与时间相关的未测量变量。

如果您为每个可能的年份都包含一个系数（将其视为一个因素），这将导致一个相当饱和的模型，并且您可能会得到其他变量的有偏系数估计。

如果您将年份视为随机效应（即，对于每一年，效应都是从固定的正态分布中随机抽样的），那么您忽略了随机效应可交换的要求，因此这似乎也不合法。

如果您将年份作为线性预测变量包含在内（即，该年份有一个系数，可能以研究中点年份为中心），如果未测量变量的实际影响是非线性的，您可能会遇到问题。这可以通过检查预测残差与年份协变量来检查。

我的建议是执行以下操作：

  • 绘制丰度（对数转换）与年份的关系图，以查看整体结构的样子。如果它似乎是线性的，则尝试将年份添加为线性预测变量（固定效应）并检查残差与年份之间的关系。

  • 在没有年份的情况下运行您的模型作为预测变量，并检查该模型的残差与年份之间的关系——如果存在某种形式的结构，那么您需要以某种方式对其进行解释。

  • 也许考虑在回归中使用分数多项式，因为这些可以非常灵活，而不会显着增加模型的复杂性。在这种情况下，您将需要重新调整年份，使其始终为正但不会太大。

希望对您有所帮助...

其它你可能感兴趣的问题
上一篇Fisher 精确检验与 kappa 分析 下一篇分位数函数的线性性质