Modelo misto

O que o bloco faz

models/lmer Ajusta um modelo misto com lme4 e produz models/fit; os p-valores dos efeitos fixos usam aproximação de Satterthwaite. A saída é models/fit.

Antes de continuar

Termos que esta página usa, em poucas palavras. As definições completas estão no glossário.

p-valor

A probabilidade de obter um resultado tão extremo quanto o observado, ou mais, se a hipótese nula fosse verdadeira. p-valor pequeno indica dados pouco compatíveis com a hipótese nula; ele não é a probabilidade de a hipótese nula ser verdadeira nem mede o tamanho do efeito.

Variância

A média dos quadrados das distâncias de cada valor à média: mede o quanto os dados se espalham. O desvio padrão é a raiz quadrada da variância e fica na mesma unidade dos dados.

Resíduo

A diferença entre o valor observado e o valor que o modelo ajustado prevê para aquela observação. É nos resíduos que se conferem os pressupostos do modelo: eles devem parecer ruído, sem padrão.

Efeito fixo e efeito aleatório

Um efeito fixo é estimado para cada nível que interessa (cada cultivar comparada). Um efeito aleatório trata os níveis observados como sorteio de uma população maior (fazendas, animais, anos) e estima a variância entre eles; modelos com os dois tipos são chamados mistos.

Normalidade

Pressuposto de que os erros do modelo seguem a distribuição normal (em forma de sino). Em modelos lineares ele se confere nos resíduos, não nos dados brutos; desvios leves pesam pouco em amostras grandes.

Quando usar

Use quando as observações se agrupam por pessoa, bloco, local ou outra unidade amostrada e essa variação deve entrar como efeito aleatório.

Pressupostos

• A relação entre a resposta e os preditores é a da fórmula (linear nos parâmetros, com as interações e curvaturas escritas).

  Verificar:Diagnóstico dos resíduos

  Se falhar: Acrescente termos (poly(x, 2), a * b) ou transforme; teste o termo a mais com o models/compare.

• Os efeitos aleatórios são normais, com média zero, e independentes do erro.

  Verificar:Efeitos aleatóriosGráfico de lagarta

• Os erros condicionais (resíduos depois de descontar os efeitos aleatórios) são normais e de variância constante. Levene e Breusch-Pagan não se aplicam a esses resíduos; a conferência é visual.

  Verificar:Diagnóstico dos resíduos

• Os grupos (sujeitos, blocos) são independentes entre si, e há grupos suficientes para estimar cada variância.

  Se falhar: Com poucos grupos (menos de 5 ou 6), trate o fator como fixo no models/lm.

Configuração

Use Fórmula com termos como (1 | grupo) ou (tempo | pessoa). Sem fórmula, informe Resposta, Efeitos fixos e Grupo. REML controla o método de estimação das variâncias.

Exemplo

library(trama)

reg <- tr_registry()
tr_use("trama.models", registry = reg)

tr_flow(reg) |>
  tr_add("dados", "models/example", dataset = "sleepstudy") |>
  tr_add("ajuste", "models/lmer", formula = "Reaction ~ Days + (Days | Subject)", from = "dados")

sleepstudy contém medidas repetidas de reação por pessoa ao longo dos dias.

Como interpretar

R² marginal resume efeitos fixos; condicional inclui os aleatórios. Variâncias descrevem heterogeneidade entre grupos.