Извлечь значения p и оценки из blmer (список моделей регрессии)?

Question

У меня есть список моделей регрессии, которые я создал, используя blmer, но я не могу вытащить p-значения, поскольку они не находятся в anova(model) или не используют summary(model)$coefficients, так как мне нужно вытащить p-значения для нескольких коэффициентов.Только когда это модель lmer, у меня есть столбец p-значения, доступный для извлечения.Существует ли отдельная функция или средство для вычисления значений p по этим регрессионным моделям из blmer?

Вот пример, за исключением того, что у меня есть список моделей:

m1 = blme::blmer(Y ~ sex + age + (1|id/Group), data=df) 
summary(m1)$coefficients 
anova(m1)

Myoutput не отображает столбец p-значения, а только t-значения, которые, как я знаю, отображаются в моделях lmer, но когда вы используете функцию summary(model) для lmer, у вас есть столбец p-значения, который не отображается для blmer.

Если я отформатирую свои модели blmer напрямую, например, с помощью tab_model, тогда у меня есть p-значения, но на данный момент это html-таблица, есть ли способ получить p-значения приКоэффициент модели регрессионного уровня для этих моделей?

Answer 1

sjPlot::tab_model вызывает оборудование из пакета sjstat, которое, в свою очередь, вызывает оборудование из пакета parameters (функция p_value):

library(blme)
data("sleepstudy", package = "lme4")
fm1 <- blmer(Reaction ~ Days + (0 + Days|Subject), sleepstudy,
               cov.prior = gamma)
parameters::p_value(fm1)
##    Parameter            p
##1 (Intercept) 0.000000e+00
##2        Days 8.228424e-08

Однако: из статистической точкиview Я бы посоветовал быть ОЧЕНЬ осторожным с этими p-значениями.На странице справки для ?parameters:p_value написано:

Эта функция пытается вернуть или вычислить p-значения параметров модели.Характер p-значений различается в зависимости от модели:
• Смешанные модели (lme4): УЛУЧШИТЬ.

и ниже это означает, что он возвращает p-значения Wald попо умолчанию.Эти p-значения не учитывают:

• неквадратичный характер логарифмической поверхности правдоподобия (для которой нам нужны CI профиля вероятности)
• конечныйкоррекции размера (для которых нам нужны приближения Satterthwaite / Kenward-Roger / «внутренне-внешнее» степени свободы)
• эффект байесовских априорных значений (чье влияние на частоту p-значений на самом деле не имеетбыл изучен кем-либо, насколько мне известно, потому что речь идет о мешанине байесовских и частых подходов)