Teste dos aleatórios

O que o bloco faz

models/random_test Testa termos aleatórios por razão de verossimilhanças. A saída é models/effects.

Antes de continuar

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

Hipótese nula

A afirmação que o teste põe à prova, em geral a de que não há efeito ou diferença (médias iguais, ausência de tendência). O teste mede o quanto os dados são incompatíveis com ela; não rejeitá-la não prova que ela é verdadeira.

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.

Verossimilhança

O quanto um modelo, com certos valores de parâmetros, torna prováveis os dados observados. Estimar por máxima verossimilhança é escolher os parâmetros que maximizam essa medida; critérios como AIC e BIC partem dela.

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.

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.

Quando usar

Use para avaliar se cada componente aleatório contribui para a estrutura do modelo misto.

Pressupostos

• O modelo misto atende aos seus pressupostos (efeitos aleatórios e erros normais).

  Verificar:Diagnóstico dos resíduosGráfico de lagarta

• A variância testada está na fronteira (zero) sob H0: a distribuição qui-quadrado não vale exatamente, e o p-valor é conservador.

  Se falhar: Um termo que sai significativo é seguro; um p-valor perto do limite pode estar superestimado.

Configuração

Não há parâmetros adicionais; requer ajuste misto.

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") |>
  tr_add("resultado", "models/random_test", from = "ajuste")

Para o ajuste de sleepstudy, cada linha testa a contribuição de um termo aleatório por razão de verossimilhanças em relação ao modelo reduzido.

Como interpretar

A comparação testa cada termo contra sua remoção. Variâncias na fronteira zero tornam a referência assintótica aproximada.