GLMM 中的 Gamma 分布

如何解决GLMM 中的 Gamma 分布

我正在尝试在 R 中创建一个 GLMM。我想了解蝙蝠的出现时间如何取决于不同的因素。在这里，我将各个蝙蝠的离开和当天日落之间的时间差作为因变量（公制）。作为固定因素，我想包括不同的天气数据（公制）以及蝙蝠的繁殖状态（分类）。此外，还有应答器编号（个体识别码）作为排除蝙蝠个体间差异的随机因素。

我首先在 R 中使用线性混合模型（包 lme4），但残差的 QQ 图与正态分布的偏差非常大。数据的直方图也表示伽马分布。结果，我实现了一个具有伽马分布的 GLMM。这是一个带有一个天气参数的示例：

model <- glmer(formula = difference_in_min ~ repro + precipitation + (1+repro|transponder number),data = trip,control=ctrl,family=gamma(link = log))

但是，由于QQ图没有这样的变化，所以我查看了DHARMa包的残留诊断。但是分布假设似乎仍然不正确，因为QQ图中的数据在这里也偏差很大。 Residual diagnostics from DHARMa

但如果数据也不符合伽马分布，还有什么替代方案？或者也许问题完全出在其他地方。

有人知道错误可能在哪里吗？

解决方法

但如果数据也不符合伽马分布，还有什么替代方案？

• 另一种称为对数正态分布 (https://en.wikipedia.org/wiki/Log-normal_distribution)

高斯（或正态）分布通常用于正态分布在零附近的数据，这听起来您没有。但是对数正态分布没有相同的要求。按照你之前的代码，你会像这样适合它：

model <- glmer(formula = log(difference_in_min) ~ repro + precipitation + (1+repro|transponder number),data = trip,control=ctrl,family=gaussian(link = identity))

或者代替 glmer，您可以直接调用 lmer，而无需指定分布（无论如何它可能会在警告消息中告诉您这样做：

model <- lmer(formula = log(difference_in_min) ~ repro + precipitation + (1+repro|transponder number),control=ctrl)