Bon après-midi,
J'ai ajusté un LMM avec des effets fixes : la contrainte, la concentration, leur interaction, le jour expérimental (le nombre de jours étant insuffisant pour le considérer comme aléatoire) et des effets aléatoires : une réplication imbriquée dans une plaque à 96 puits et une plaque imbriquée dans un jour. J'ai exécuté un LMM en utilisant la méthode des moindres carrés standard et en attribuant l'attribut « aléatoire » à mes effets aléatoires. J'obtiens un R^2 de 0,99, ce qui semble étrangement élevé. Je me suis demandé s'il s'agissait d'un surapprentissage du modèle, mais je pense avoir suffisamment d'observations. Est-ce normal ?
Salut @blip555555
Quelques réflexions : il faut d'abord vérifier si le jour est nécessaire dans le modèle, car il ne semble pas significatif d'après le graphique LogWorth en haut du rapport. Il est également conseillé d'appliquer des ensembles de validation pour tester la précision du modèle et déterminer les effets. Avez-vous également examiné les résidus studentisés pour identifier d'éventuelles valeurs aberrantes ?
Merci,
Ben
Cher Ben,
Merci. J'ai examiné les résidus studentisés et les valeurs aberrantes me semblent normales, car je teste l'effet de différentes concentrations d'antibiotiques sur le niveau de fluorescence de plusieurs réplicats. Il est donc logique, d'un point de vue biologique, que tous les réplicats ne se comportent pas de la même manière à certaines concentrations. J'ai supprimé le jour du modèle, mais le R^2 élevé est resté. J'ai environ 900 observations, ce qui devrait exclure un surajustement du modèle.
Merci!
Premièrement, je ne suis pas expert dans votre situation particulière. Je ne comprends pas la réponse que vous modélisez. Je n'ai aucun contexte pour les résultats d'analyse rapportés. Les estimations des paramètres semblent-elles raisonnables ? Toutes les statistiques rapportées dépendent du modèle que vous avez saisi et de la manière dont les données ont été acquises. Si l'un de ces éléments change, les statistiques peuvent également changer.
Pour évaluer l'adéquation d'un modèle, plusieurs statistiques sont à prendre en compte (le R² n'en est qu'une). Par exemple, vous pourriez évaluer :
1. R² - R² ajusté pour évaluer le surajustement. Plus le delta est faible, moins le risque de termes non significatifs dans le modèle est élevé.
2. Le R-carré ajusté est meilleur que le R-carré, plus il est grand, mieux c'est
3. RMSE (écart type du modèle). Plus petit est préférable. Ceci est exprimé en unités de la variable réponse ; 33 est-il donc raisonnable ?
4. Valeurs p (particulièrement utiles pour comprendre ce qui constitue l'erreur quadratique moyenne). La significativité est une affirmation conditionnelle.
5. Résidus (tous types de tracés). Vous pouvez évaluer les valeurs aberrantes, la multicolinéarité et les violations d'hypothèses (indépendance, aléatoire, moyenne nulle, variance constante).
Je remarque que vous mentionnez « réplication imbriquée dans une plaque 96 puits et plaque imbriquée dans un jour ». Je ne vois aucun terme imbriqué dans votre modèle (par exemple, plaque[Jour], Réplication[Plaque]) ?
