用R中的色散参数解释glmmTMB

如何解决用R中的色散参数解释glmmTMB

我很难理解 glmmTMB 的分散模型和分散参数，并且在 github、小插图或 stackexchange/stackoverflow 上找不到答案。

我使用带有离散参数的 glmmTMB 构建了一个 GLMM，以解释与我的一个预测变量相关的异方差性。

问题：

1. 我在 github 或 stackexchange 上读到，分散模型不是为了与 RE 一起使用而构建的。有谁知道这是否仍然是最新的？我是否可以在具有随机效应的模型中包含不同的分散参数？我需要随机效应，因为我有重复测量。

2. 在我的模型中，我对（我的三个预测变量的）三向交互项感兴趣，并想知道我是否仍然可以以正常方式解释条件模型。我通常使用 summary(model) 来研究模型结构。我的分散模型非常重要，但我找不到关于如何解释和处理分散模型的任何解释。 我发现了一条与此相关的评论，这让我感到困惑：“当条件模型和离散模型中的变量相同时，可以操纵均值-方差关系，但这可能会导致不收敛问题。” （来自布鲁克斯等人的 R 期刊文章，2017 年）。 ?sigma.glmmTMB 表示“nbinom2：返回过度分散参数（通常表示为 theta 或 k）；与大多数其他系列相比，较大的 theta 对应于较低的方差，即 mu(1+mu/theta)。”由于我不了解色散参数的实际作用，因此此信息没有帮助。 我必须如何使用包内置函数 dispformula

   调整我对包含色散参数的模型的解释

关于我的数据和模型的背景信息：

我正在为一项重复测量的随机对照试验拟合 GLMM。假设连续结果（精神病理学症状负荷的计数数据）受时间（3 个时间点：因素，3 个水平）、治疗组（因素，2 个水平）和某些事件的发生（因素，2 个水平）和他们的互动。我相应地安装了一个 glmer： glmer(outcome ~ time*grouP*event + (1| ID),... )。泊松分布非常分散，因此我转向负二项式模型。不幸的是，残差图（使用 DHARMa）揭示了一种模式，表明与模型预测的方差不同。根据标准化残差绘制预测变量时间显示异方差性。为了解释异方差性，我开始构建 4 个不同的 glmmTMB（因为我有 4 个结果），其离散参数如下：

m1 <- glmmTMB(outcome1 ~ event * time * group + (1|code),dispformula = ~time,family = "nbinom2",data = data_long)