机器算法验证 - 比较 R 中线性混合效应回归中的模型 - 吾爱随笔录

我有一个非常大的数据集，重复测量相同的血液值（co）（每位患者 1 到 7 次测量）。每次测量都与时间相结合，时间是外科手术和血液水平测量之间的时间间隔。

我的目的是表明这种血液值与时间呈正相关。

血液水平测量值高度向右倾斜，因此我使用对数变换和线性混合效应回归模型（lme4 包中的 lmer）。

我构建了一个空模型：

fit1<-(lmer(lgco~(1|id),data=ASR))

模型 2 包括时间作为自变量：

fit2<-(lmer(lgco~time+(1|id),data=ASR))

Id 是数据集中的患者编号。

通过使用 anova() 函数，我发现 fit2 明显优于 fit1：

> anova(fit1,fit2)
refitting model(s) with ML (instead of REML)

Data: ASR
Models:
fit1: lgco ~ (1 | id)
fit2: lgco ~ time + (1 | id)
     Df    AIC    BIC  logLik deviance  Chisq Chi Df Pr(>Chisq)    
fit1  3 342.77 357.50 -168.39   336.77                             
fit2  4 320.64 340.27 -156.32   312.64 24.135      1  8.983e-07 ***

然而，我有其他数据表明时间和血液价值之间的相关性可能更加深刻，例如二次方。这将是模型 3。

我尝试了以下方法：首先我取血值的平方根，然后使用 log 进行转换。

fit3<-(lmer(lgsqrtco~time+(1|id),data=ASR))

我的问题是，在因变量在这些模型中有两种不同的转换之后，我现在可以比较模型 2 和 3。在 fit1 和 fit2 中，变换是相同的，只是添加了独立的。我假设通过不同的因变量转换，不允许使用 anova() ：

anova(fit2,fit3)
refitting model(s) with ML (instead of REML)
Data: ASR
Models:
fit2: lgco ~ time + (1 | id)
fit3: lgsqrtco ~ time + (1 | id)
     Df      AIC      BIC  logLik deviance  Chisq Chi Df Pr(>Chisq)    
fit2  4   320.64   340.27 -156.32   312.64                             
fit3  4 -1065.66 -1046.03  536.83 -1073.66 1386.3      0  < 2.2e-16 ***