Guten Tag,
Ich habe ein LMM mit festen Effekten angepasst: Belastung, Konzentration, deren Wechselwirkung, Versuchstag (nicht genügend Tage, um es als zufällig zu betrachten) und Zufallseffekten, die innerhalb einer 96-Well-Platte und innerhalb eines Tages verschachtelt repliziert wurden. Ich habe ein LMM mit der Standard-Least-Square-Plattform ausgeführt und meinen Zufallseffekten das Attribut „zufällig“ zugewiesen. Ich erhalte einen R^2-Wert von 0,99, der verdächtig hoch erscheint. Ich dachte darüber nach, ob es sich um eine Überanpassung des Modells handelt, aber ich glaube, ich habe genügend Beobachtungen. Ist das normal?
Hallo @blip555555
Ein paar Überlegungen: Zunächst sollte geprüft werden, ob „Day“ im Modell benötigt wird, da es im LogWorth-Diagramm oben im Modellbericht nicht signifikant erscheint. Ein weiterer Gedanke ist die Anwendung von Validierungssätzen, um die Genauigkeit des Modells zu testen und die Effekte zu ermitteln. Haben Sie sich auch die studentisierten Residuen angesehen, um festzustellen, ob es Ausreißer gibt?
Danke,
Ben
Lieber Ben,
Vielen Dank. Ich habe mir die studentisierten Residuen angesehen, und die Ausreißer erscheinen mir normal, da ich die Wirkung unterschiedlicher Antibiotikakonzentrationen auf die Fluoreszenzwerte mehrerer Replikate teste. Daher ist es biologisch sinnvoll, dass nicht alle Replikate bei bestimmten Konzentrationen gleich gut abschneiden. Ich habe den Tag aus dem Modell entfernt, aber der hohe R^2-Wert blieb bestehen. Ich habe etwa 900 Beobachtungen, sodass eine Überanpassung des Modells ausgeschlossen sein sollte.
Danke!
Erstens bin ich kein Experte für Ihre spezielle Situation. Ich weiß nicht, welche Antwort Sie modellieren? Mir fehlt der Kontext für die gemeldeten Analyseergebnisse. Erscheinen die Parameterschätzungen plausibel? Alle gemeldeten Statistiken hängen von dem von Ihnen eingegebenen Modell und der Art und Weise ab, wie die Daten erfasst wurden. Ändert sich eines dieser Dinge, können sich auch die Statistiken ändern.
Bei der Beurteilung der Angemessenheit eines Modells sind verschiedene Statistiken zu berücksichtigen (R-Quadrat ist nur eine davon). Sie könnten beispielsweise Folgendes bewerten:
1. R-Quadrat – R-Quadrat angepasst, um eine Überanpassung zu bewerten. Je kleiner das Delta, desto geringer ist die Wahrscheinlichkeit unbedeutender Terme im Modell
2. R-Quadrat angepasst ist besser als R-Quadrat, je größer, desto besser
3. RMSE (Standardabweichung des Modells). Je kleiner, desto besser. Dies ist in Antwortvariableneinheiten angegeben. Ist also 33 angemessen?
4. p-Werte (am nützlichsten, wenn Sie verstehen, was den MSE ausmacht). Signifikanz ist eine bedingte Aussage.
5. Residuen (alle Arten von Diagrammen). Sie können Ausreißer, Multikollinearität und Verstöße gegen Annahmen (Unabhängigkeit, Zufall, Mittelwert von 0, konstante Varianz) bewerten.
Mir ist aufgefallen, dass Sie „ Replikation verschachtelt innerhalb einer 96-Well-Platte und Platte verschachtelt innerhalb eines Tages“ erwähnen. Ich sehe in Ihrem Modell keine verschachtelten Begriffe (z. B. Platte[Tag], Replikation[Platte])?
