如何使用ASReml评估二项分布混合模型的拟合效果？

针对你用ASReml拟合的二项混合模型，除了残差图，还有这些实用的评估方法：

• 似然比检验（LRT）
  用于对比嵌套模型，判断效应是否有必要纳入。比如检验ID随机效应的显著性：

  # 拟合不含随机效应的简化模型
  mod_null <- asreml(fixed = Prevalence ~ Sex,
                     na.action = na.method(x = "include", y = "include"),
                     family.asreml = asr_binomial(link = "logit"),
                     data = data.df)
  # 对比原模型和简化模型
  anova(mod, mod_null)
  

  输出的LRT统计量和p值会告诉你，加入ID随机效应是否显著提升了模型拟合度。也可以用同样方法检验固定效应（比如去掉Sex对比）。

• 信息准则（AIC/BIC）
  ASReml会自动计算这两个准则，直接提取即可：

  # 获取AIC和BIC值
  cat("AIC:", mod$aic, "\nBIC:", mod$bic, "\n")
  

  准则值越小，模型拟合效果越好，适合在非嵌套模型间做比较。

• 预测值与观测值的一致性验证
  可以对比模型预测的概率和实际观测的响应模式，比如按Sex分组查看：

  # 生成基于Sex的预测响应值（概率）
  preds <- predict(mod, classify = "Sex", type = "response")
  # 查看预测结果
  print(preds$pvals)
  # 对比实际数据的分组患病率
  aggregate(Prevalence ~ Sex, data = data.df, mean)
  

  如果预测值和实际观测的趋势匹配，说明模型能较好捕捉数据规律。

• 随机效应方差组分检查
  查看ID的方差组分估计结果，判断个体间变异是否值得纳入模型：

  # 提取方差组分信息
  summary(mod)$varcomp
  

  如果ID的方差组分显著不为0，说明个体间存在不可忽视的差异，纳入该随机效应是合理的；如果接近0，可能需要考虑移除这个效应。

• 偏差（Deviance）统计
  查看模型的拟合偏差，跟踪不同模型的拟合变化：

  # 获取对数似然和偏差值
  cat("Log-likelihood:", summary(mod)$loglik, "\nDeviance:", summary(mod)$deviance, "\n")
  

  偏差越小说明模型拟合越接近数据，不过二项模型的饱和模型自由度通常很大，对比饱和模型偏差的参考性有限，但可以用来比较同一类模型的拟合差异。

内容的提问来源于stack exchange，提问作者alex