Buenas tardes,
Ajusté un modelo de medición lineal (LMM) con efectos fijos: tensión, concentración, su interacción y día experimental (días insuficientes para considerarlo aleatorio). Los efectos aleatorios son la réplica anidada dentro de una placa de 96 pocillos y la placa anidada dentro de un día. Ejecuté un LMM utilizando la plataforma estándar de mínimos cuadrados y atribuyéndole el atributo "aleatorio" a mis efectos aleatorios. Obtengo un R^2 de 0,99, que parece sospechosamente alto. Pensé si se trataba de sobreajuste del modelo, pero creo que tengo suficientes observaciones. ¿Es esto normal?
Hola @blip555555
Algunas reflexiones: primero, comprobar si se necesita Day en el modelo, ya que no parece significativo según el gráfico de LogWorth en la parte superior del informe. Otra idea es aplicar conjuntos de validación para comprobar la precisión del modelo y determinar los efectos. ¿Ha revisado también los residuos estudentizados para ver si hay valores atípicos?
Gracias,
Ben
Querido Ben,
Gracias. He revisado los residuos estudentizados y los valores atípicos me parecen normales porque estoy probando el efecto de diferentes concentraciones de antibióticos en el nivel de fluorescencia de múltiples réplicas, por lo que biológicamente tiene sentido que no todas las réplicas tengan el mismo rendimiento a ciertas concentraciones. Eliminé el día del modelo, pero el R^2 alto se mantuvo. Tengo unas 900 observaciones, así que esto debería descartar un sobreajuste del modelo.
¡Gracias!
En primer lugar, no soy experto en su situación particular. No sé cuál es la respuesta que está modelando. No tengo contexto para el resultado del análisis reportado. ¿Las estimaciones de los parámetros parecen razonables? Todas las estadísticas reportadas dependen del modelo que haya introducido y de cómo se adquirieron los datos. Si alguno de estos factores cambia, también podrían cambiar las estadísticas.
Al evaluar la idoneidad de un modelo, hay varios estadísticos a considerar (el R-cuadrado es solo uno). Por ejemplo, se podría evaluar:
1. R-cuadrado: R-cuadrado ajustado para evaluar el sobreajuste. Cuanto menor sea el delta, menor será la probabilidad de encontrar términos insignificantes en el modelo.
2. El R-cuadrado ajustado es mejor que el R-cuadrado, cuanto mayor sea, mejor.
3. RMSE (desviación estándar del modelo). Cuanto menor, mejor. Esto se expresa en unidades de la variable de respuesta, así que ¿es razonable un valor de 33?
4. Valores p (son muy útiles cuando se comprende qué constituye el MSE). La significancia es una afirmación condicional.
5. Residuos (todo tipo de gráficos). Se pueden evaluar valores atípicos, multicolinealidad y violaciones de supuestos (independencia, aleatoriedad, media de 0, varianza constante).
Observo que mencionas " réplica anidada dentro de una placa de 96 pocillos y placa anidada dentro de un día". No veo ningún término anidado en tu modelo (p. ej., placa[Día], Replicar[Placa]).
