glmer, pour être sûr

[Maxime Hervé]

Bonjour à tous,

j'ai un design expérimental assez simple en split-plot : une parcelle est divisée en 3 blocs, dans chacun de ces blocs 3 traitements sont appliqués, chacun à un patch de 20 plantes. Les mesures sont ensuite réalisées sur 4 plantes par patch, ces mesures étant des comptages.
Pour analyser ça, je pense que le mieux est d'utiliser un GLMM avec family poisson, je me suis donc tourné vers la fonction glmer()
La syntaxe que j'envisage est la suivante, et c'est là que j'aurais besoin de votre confirmation car c'est la première fois que je dois utiliser ce type d'analyses :

Code : Tout sélectionner

model=glmer(mesure~traitement+(1|bloc),family=poisson)

Pour évaluer l'effet traitement, j'ai bien vu que les puristes n'apprécient pas mais je pensais utiliser

Code : Tout sélectionner

model2=glmer(mesure~1+(1|bloc),family=poisson)
anova(model,model2)

Ensuite, la deuxième étape est que ces mesures ont été répétées sur 4 semaines. Pour intégrer le temps, je pensais utiliser la syntaxe suivante

Code : Tout sélectionner

model=glmer(mesure~traitement+(date|bloc),family=poisson)

et évaluer l'effet traitement de la même façon que précédemment.

Ma question est donc simple : tout cela est-il correct ?

Merci d'avance,

Maxime

[Renaud Lancelot]

Voir si vous voulez inclure la date ou le temps dans les effets FIXES, ou plus généralement si vous voulez représenter une croissance et/ou des variations saisonnières. Si il y a des tendances dans la population étudiée, il faut en tenir compte dans l'analyse et ne pas mettre tout en vrac dans les effets aléatoires.

Avant toute chose, il me paraît donc indispensable de faire une exploration graphique soigneuse pour répondre à ces questions de choix des effets fixes et/ou aléatoires, et choisir un modèle cohérent par rapport à votre pb.

C'est souvent la structure aléatoire qui est le plus difficile à estimer correctement ==> essayer de rester avec un modèle aléatoire simple. Celui que vous proposez a déjà 3 paramètres: variance de l'intercept, variance de la date et covariance intercept-date. Si jamais il y a des trajectoires à modéliser par un polynome d'ordre 2 ou 3, ça en fera encore bien plus.

[Maxime Hervé]

Il est vrai que j'hésite encore à intégrer le temps comme effet fixe.
Si je le fais, la syntaxe sera donc la suivante ?

Code : Tout sélectionner

model=glmer(mesure~traitement*date+(1|bloc),family=poisson)

[Renaud Lancelot]

ça... ou tout autre chose ! J'insiste lourdement sur l'importance de l'exploration graphique. Si date est numérique dans votre modèle, vous faites la très lourde hypothèse que la tendance est linéaire. De plus, vous le laissez pas de possibilité de vitesse de croissance différente d'un bloc à l'autre. C'est l'exploration graphique qui doit vous guider dans ces choix, de manière à ne laisser qu'un petit nb de modèles différents à explorer par les comparaisons stats.

[Maxime Hervé]

C'est vrai que je n'ai pas attaché assez d'importance à l'exploration graphique... au travail !

Merci pour l'instant, je reviendrai sans doute à la charge d'ici quelques jours :D !