Кодирование выбора ресурсов - вложенные переменные с независимыми случайными эффектами в R
Я пытаюсь указать модель, которая оценивает выбор ресурса (размещение) в зависимости от времени с момента возгорания (TSFdays) и типа сжигания (сожжено или не сожжено в текущем году). Мои данные используются (1 = насесты) и случайные местоположения (0= суточные) выводков (возможный случайный эффект). Размер выборки данных составляет n= 4561 по примерно 60 выводкам. Я подгруппировал данные, чтобы включить только выводки с> 30 местоположениями (или> 10 событий насестов). Максимальное количество событий (насестов) - 43, а максимальное количество наблюдений на выводок - 174. Во-первых, поддерживают ли такие данные этот комплекс модели?
Во-вторых, эффект TSF и BurnType взаимодействуют (см. График плотности). Лучше всего определить этот эффект как взаимодействие или как вложенный? Я предсказываю, что выводки выберутся для выгоревшей области, но этот выбор может не произойти, пока у выгоревших участков не будет времени на восстановление. Я закодировал это как взаимодействие, но получаю бессмысленные основные эффекты (коэффициент BurnType = 67). Вдобавок ко всему, я думаю, что я должен рассматривать выводки как случайные эффекты (со случайными наклонами и пересечениями). Однако у некоторых выводков есть либо полное разделение (все насесты были в сожженных, а дневные - в несгоревших)... некоторые выводки располагались только в одном или другом, а некоторые выводки располагались случайным образом и в обоих. Это проблема, если выводки моделируются как случайный эффект? Если эта модель слишком сложна для использования в glmmTMB,поможет ли байесовский подход, или я все еще ограничен своими данными?
[![обратите внимание на масштаб оси x][1]][1]
В настоящее время моя модель:
glmmTMB(Use_code ~ TSF + BurnTypenum + BurnTypenum*TSF + (1|BID)+ (0+ BurnTypenum*TSF|BID) , family=binomial(link = "logit"), data = TSFdata, weights = w)
где w = 5000 для случайных мест, а BID - идентификатор расплода.
и выход модели
Formula: Use_code ~ TSF + BurnTypenum + BurnTypenum * TSF + (1 | BID) + (0 + BurnTypenum * TSF | BID)
Data: TSFdata
Weights: w
AIC BIC logLik deviance df.resid
27085.5 27148.4 -13532.7 27065.5 3962
Random effects:
Conditional model:
Groups Name Variance Std.Dev. Corr
BID (Intercept) 1.000e+06 1000.0000
BID.1 BurnTypenum 1.193e+04 109.2452
TSF 5.292e-02 0.2300 1.00
BurnTypenum:TSF 5.120e-02 0.2263 -0.98 -0.96
Number of obs: 3972, groups: BID, 49
Conditional model:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -76.84536 143.28805 -0.536 0.591751
TSF 0.14040 0.04024 3.489 0.000485 ***
BurnTypenum 67.12775 19.16092 3.503 0.000459 ***
TSF:BurnTypenum -0.14184 0.04016 -3.532 0.000412 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1```
#Simplified data structure:
head(TSFdata)
BurnTypenum Use_code TSF BID timestamp w
<dbl> <dbl> <dbl> <dbl> <dttm> <dbl>
1 1 0 105 1915 2019-08-05 13:08:00 5000
2 1 0 57 1905 2019-06-19 08:43:00 5000
3 1 0 77 1901 2019-06-07 14:42:00 5000
4 1 1 74 1906 2019-07-06 21:00:00 1
5 1 0 61 1905 2019-06-23 13:56:00 5000
6 1 0 84 1901 2019-06-14 17:11:00 5000```
[1]: https://stackru.com/images/708bb3219962d5c81cadae45a1c18869d31c6f91.png