2

我有来自野生猩猩的活动预算数据，我正在调查它们在森林火灾事件之前和火灾事件之后进食、休息和旅行的时间是否存在差异。我正在运行一个线性混合效应模型，其中在特定日期花费的时间作为我的响应变量（猩猩醒来的分钟数作为偏移量）。火期和年龄/性别类别是固定效应，猩猩 ID 是随机效应。我有 2 个级别的 fire_time 因子（'pre' 和 'post'），4 个级别的 Age_Sex 因子（'SAF'，'FM'，'UFM'，'Adolescent'），47 只猩猩随机效应和一个该数据集中共有 817 个数据点。

我的数据框如下所示：

head(F)
   Follow_num Ou_name       Date  Month fire_time Age_Sex Primary_Act AP_obs minutesin24hr Perc_of_waking_day Perc_of_24hr
1        2029 Teresia 2011-10-04 Oct-11       pre     SAF     Feeding    625           310              49.60        21.53
5        2030 Teresia 2011-10-05 Oct-11       pre     SAF     Feeding    610           285              46.72        19.79
9        2032 Teresia 2011-10-09 Oct-11       pre     SAF     Feeding    620           340              54.84        23.61
13       2034 Teresia 2011-10-11 Oct-11       pre     SAF     Feeding    670           405              60.45        28.13
17       2038  Victor 2011-10-27 Oct-11       pre      FM     Feeding    675           155              22.96        10.76
21       2040    Nero 2011-11-03 Nov-11       pre      FM     Feeding    640           295              46.09        20.49

我的模型的代码如下：

library(lme4)

lmer(minutesin24hr ~ Age_Sex + fire_time + (1|Ou_name), data = F, offset = AP_obs, REML = TRUE, na.action = "na.fail")

当我使用包运行这个模型lmerTest来检查自由度和 p 值时，我似乎对重要的水平有非常大的自由度（参见 Age_SexSAF 和 fire_timepre）。

lmerTestmodel <- lmerTest::lmer(minutesin24hr ~ Age_Sex + fire_time + (1|Ou_name), data = F, offset = AP_obs, REML = TRUE, na.action = "na.fail")

REML criterion at convergence: 9370.7
Scaled residuals:
Min      1Q  Median      3Q     Max
-3.8955 -0.6304  0.1006  0.7141  2.3109 

Random effects:
Groups   Name        Variance Std.Dev.
Ou_name  (Intercept) 1636     40.44   
Residual             5460     73.89   
Number of obs: 817, groups:  Ou_name, 47

Fixed effects:
             Estimate Std. Error       df t value Pr(>|t|)    
(Intercept)  -188.614     14.711   26.765 -12.821 6.14e-13 ***
Age_SexFM     -20.297     17.978   24.696  -1.129   0.2698    
Age_SexSAF    -25.670     11.799  318.473  -2.176   0.0303 *  
Age_SexUFM     12.925     22.806   27.319   0.567   0.5755    
fire_timepre  -29.558      6.214  709.117  -4.757 2.38e-06 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
            (Intr) Ag_SFM A_SSAF A_SUFM
Age_SexFM   -0.741                     
Age_SexSAF  -0.505  0.374              
Age_SexUFM  -0.598  0.480  0.302       
fire_timepr -0.298 -0.015  0.149  0.034

我想这些大的自由度使 p 值很重要，所以我对模型持怀疑态度。为什么我在这两个层面上就获得了如此大的自由度？Age_SexSAF 和 fire_timepre 级别中有更多数据，但对我来说似乎并不正常。我计划在我的论文中报告估计值、置信区间和 p 值，但我担心报告这些自由度是否错误。

抱歉，如果这可能是一个幼稚的问题，这是我第一次冒险进入混合效果模型。非常感谢任何建议，谢谢！

4

0 回答 0