Buon pomeriggio,
Ho adattato un LMM con effetti fissi quali deformazione, concentrazione, la loro interazione, giorno sperimentale (giorni insufficienti per considerarlo casuale) ed effetti casuali come repliche annidate all'interno della piastra a 96 pozzetti e piastra annidata all'interno del giorno. Ho eseguito un LMM utilizzando la piattaforma standard dei minimi quadrati e attribuendo l'attributo "casuale" ai miei effetti casuali. Ottengo un R^2 di 0,99, che sembra sospettosamente alto. Ho pensato che si trattasse di overfitting del modello, ma credo di avere abbastanza osservazioni. È normale?
Ciao @blip555555
Alcune considerazioni: la prima è verificare se il giorno è necessario nel modello, poiché non sembra significativo dal grafico del valore logaritmico in cima al report del modello. Un'altra possibilità è applicare set di convalida per testare l'accuratezza del modello e determinarne gli effetti. Avete anche esaminato i residui studentizzati per verificare se ci sono valori anomali?
Grazie,
Ben
Caro Ben,
Grazie. Ho esaminato i residui studentizzati e i valori anomali mi sembrano normali perché sto testando l'effetto di diverse concentrazioni di antibiotico sul livello di fluorescenza di più repliche, quindi ha senso biologicamente che non tutte le repliche abbiano le stesse prestazioni a determinate concentrazioni. Ho rimosso il giorno dal modello, ma l'elevato R^2 è rimasto; ho circa 900 osservazioni, quindi questo dovrebbe escludere il sovradattamento del modello?
Grazie!
Innanzitutto, non sono un esperto per la tua situazione specifica. Non so quale sia la risposta che stai modellando. Non ho contesto per l'output dell'analisi riportato. Le stime dei parametri sembrano ragionevoli? Tutte le statistiche riportate dipendono dal modello che hai inserito e da come sono stati acquisiti i dati. Se uno di questi fattori cambia, potrebbero cambiare anche le statistiche.
Quando si valuta l'adeguatezza di un modello, ci sono diverse statistiche da considerare (R-quadrato è solo una di queste). Ad esempio, si potrebbero valutare:
1. R-quadrato - R-quadrato corretto per valutare il sovraadattamento. Minore è il delta, minore è la probabilità di termini non significativi nel modello.
2. R-quadrato corretto è migliore di R-quadrato, più è grande, meglio è
3. RMSE (deviazione standard del modello). Più piccolo è, meglio è. Questo è espresso in unità di misura delle variabili di risposta, quindi 33 è ragionevole?
4. Valori p (molto utili quando si capisce cosa costituisce l'errore minimo di significatività). La significatività è un'affermazione condizionale.
5. Residui (tutti i tipi di grafici). È possibile valutare valori anomali, multicollinearità, violazioni di ipotesi (indipendenza, casualità, media di 0, varianza costante).
Ho notato che hai menzionato " replica annidata all'interno di una piastra a 96 pozzetti e piastra annidata all'interno del giorno". Non vedo alcun termine annidato nel tuo modello (ad esempio, piastra[Giorno], Replica[Piastra])?
