2

我正在尝试从summary使用最大似然 (ML) 拟合的 HLM 模型中访问 AIC、BIC、logLik 和偏差数据lme4::lmer，并与使用受限最大似然 (REML) 拟合的基本相同的模型相结合。从返回的对象的结构lmer是summary一团糟，我无法找出这些数据的存储位置/方式。

[更新：]根据我得到的回复，我更新了代码以反映所取得的进展：

代码示例：

# Least working example
library(lme4)
library(lmerTest)
df <- lme4::sleepstudy
names(df)
# Example model
model <- lmer(Reaction ~ (1|Subject), df, REML = TRUE)
information_criterion <- data.frame(
            "AIC" = AIC(model),
            "BIC" = BIC(model),
            "logLik" = logLik(model),
            "deviance" = deviance(model, REML=FALSE),
            "df.residual" = df.residual(model)
            )
mod_sum <- list(summary(model), information_criterion)
我本质上想修改输出以类似于summaryif的输出REML = FALSE（不工作）：
> mod_sum

Linear mixed model fit by REML. t-tests use Satterthwaite's method [
lmerModLmerTest]
Formula: Reaction ~ (1 | Subject)
   Data: df

## Information criterion injected here: ##########################

     AIC      BIC   logLik deviance df.resid   # <-- THESE ARE THE LINES I WANT
  1916.5   1926.1   -955.3   1910.5      177   # <-- 

##################################################################

REML criterion at convergence: 1904.3

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.4983 -0.5501 -0.1476  0.5123  3.3446 

Random effects:
 Groups   Name        Variance Std.Dev.
 Subject  (Intercept) 1278     35.75   
 Residual             1959     44.26   
Number of obs: 180, groups:  Subject, 18

Fixed effects:
            Estimate Std. Error     df t value Pr(>|t|)    
(Intercept)   298.51       9.05  17.00   32.98   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
4

1 回答 1

3

有几点：

  1. 你这里有一个错字：
    m2sum[["information_criterion"]] <- summary(model1)$information_criterion

它应该是m2_sum

  1. 而不是summary(model1)$information_criterion你可以使用：
     AIC(model1)

因此，以下应该有效：

m2_sum[["information_criterion"]] <- AIC(model1)

在对 OP 进行更改后进行更新。

这应该可行，尽管请参阅我的最后评论，因为这可能不是明智的做法：

> m2_sum$AICtab <- m1_sum$AICtab
> m2_sum

Linear mixed model fit by REML. t-tests use Satterthwaite's method ['lmerModLmerTest']
Formula: Reaction ~ (1 | Subject)
   Data: df

     AIC      BIC   logLik deviance df.resid 
  1916.5   1926.1   -955.3   1910.5      177 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.4983 -0.5501 -0.1476  0.5123  3.3446
于 2022-01-09T15:14:16.147 回答