Messagepar guillaume souchay » 20 Avr 2009, 07:58
Bonjour,
j'ai un petit souci avec la fonction glmmPQL pour une régression logistique avec un modèle mixte à mesures répétées.
On cherche à savoir quels sont les effets qui permettent de sexer de facon certaine un oiseau lors d'une observation. La variable Y est coherence et est de type binaire: 1 l'observation du sexe correspond au sexe génétique, 0 sinon.
Les données sont des observations d'oiseaux, chaque ligne correspond à 1 observation, le sexe génétique (sexdna), l'âge lors de l'obs (ageobs), le type d'observation (si l'oiseau était seul ou dans un groupe, typeobs) et le code de l'oiseau sont indiquées comme suit:
ring sexdna coherence typeobs ageobs
CCAF F 1 single 6
CCAF F 1 single 7
CCAJ M 1 single 2.5
CCAL F 1 single 6
CCAL F 1 single 6
CCAL F 1 single 9.5
sexdna et type obs ont été mis en tant que facteur
sex<-as.factor(sexdna)
type<-as.factor(typeobs)
dans ce type de données, j'ai mis l'age lors de l'observation en tant qu'effet aléatoire et celui-ci est hiérarchisé dans l'individu.
mon modèle est donc :
coherence ~ µ + effet fixe sex + effet fixe type + effet aléatoire ring/ageobs
on m'a conseillé au départ d'utiliser la fonction nlme mais je n'ai pas trouvé le moyen de faire une régression logistique avec cette fonction.
je suis donc parti sur:
test<- glmmPQL(coherence~1+sex+type, random=~1|ring/ageobs,family=binomial)
cependant, je n'ai pas l'impression que cela fonctionne car je n'ai pas de valeur d'AIC:
test<- glmmPQL(coherence~1+sex+type, random=~1|ring/ageobs,family=binomial)
Loading required package: nlme
iteration 1
iteration 2
iteration 3
iteration 4
iteration 5
iteration 6
iteration 7
iteration 8
iteration 9
iteration 10
> summary(test)
Linear mixed-effects model fit by maximum likelihood
Data: NULL
AIC BIC logLik
NA NA NA
Random effects:
Formula: ~1 | ring
(Intercept)
StdDev: 2.301666
Formula: ~1 | ageobs %in% ring
(Intercept) Residual
StdDev: 2.451177 0.4209615
Variance function:
Structure: fixed weights
Formula: ~invwt
Fixed effects: coherence ~ 1 + sex + type
Value Std.Error DF t-value p-value
(Intercept) 2.3822675 0.4673510 680 5.097384 0.0000
sexM -0.2002161 0.2921041 680 -0.685427 0.4933
typesingle 0.3260595 0.4451828 286 0.732417 0.4645
Correlation:
(Intr) sexM
sexM -0.279
typesingle -0.899 -0.030
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-4.8847171 0.2048140 0.2836963 0.3462454 5.0149940
Number of Observations: 1389
Number of Groups:
ring ageobs %in% ring
682 1102
Si quelqu'un a une idée pour comprendre pourquoi l'AIC est NA.
S'il n'y a pas d'effet de mes facteurs, c'est un résultat mais en l'état, je pense qu'il y a un souci dans le modèle (modèle erroné ou calcul du maximum de vraisemblance impossible?)
"There is no true model"
Anderson & Burnham 1999