Modèle d'effets mixtes avec splines

J'adapte un modèle d'effets mixtes avec un terme spline dans une application où la tendance dans le temps est connue pour être curvi-linéaire. Cependant, ce que je voudrais évaluer, c'est si la tendance curvilinéaire se produit en raison de la déviation individuelle de la linéarité, ou est-ce un effet au niveau du groupe qui fait qu'un ajustement au niveau du groupe semble curvilinéaire. Je donne un exemple reproductible ennuyeux d'un ensemble de données du package JM.

library(nlme)
library(JM)
data(pbc2)

fitLME1 <- lme(log(serBilir) ~ ns(year, 2), random = ~ year | id, data = pbc2)
fitLME2 <- lme(log(serBilir) ~ year, random = ~ ns(year, 2) | id, data = pbc2)

Essentiellement, je veux savoir lequel d'entre eux correspond le mieux à mes données. Cependant, la comparaison par anovame donne un avertissement inquiétant:

        Model df      AIC      BIC    logLik   Test  L.Ratio p-value
fitLME1     1  7 3063.364 3102.364 -1524.682                        
fitLME2     2  9 2882.324 2932.472 -1432.162 1 vs 2 185.0399  <.0001
Warning message:
In anova.lme(fitLME1, fitLME2) :
  fitted objects with different fixed effects. REML comparisons are not meaningful.

Maintenant, je suis conscient qu'il est difficile de faire ce genre de comparaisons via des méthodes de maximum de vraisemblance - mais quelle est l'alternative?

r splines lme4-nlme

— user2498193
source

Essayez de ré-ajuster avec method = "ML" ou quelle que soit la phrase correcte et voyez si l'avertissement disparaît.

— mdewey

Comme le dit mdewey, remontez le modèle sans la méthode d'estimation REML. Comme le dit l'avertissement, les comparaisons n'ont pas de sens lorsque vous avez différentes structures d'effets fixes.

Le problème suivant est que les modèles ne sont pas imbriqués, le test F n'a donc probablement aucun sens. Vous pouvez regarder les critères d'information. Les deux sont favorables fitLME2.

— Benjamin Christoffersen
source