Порядковая модель MCMCglmm в R

Я пытаюсь объяснить изменения жизнеспособности деревьев от 1 до 3 (1 = зеленый, 2 = повреждение, 3 = сухой), используя климатические переменные в модели MCMCglmm. К сожалению, у меня возникают два вопроса:

1. Как интерпретировать сводку модели MCMCglmm?

Я вижу, какие переменные важны, но что это значит? Означает ли это, что с увеличением количества осадков жизнеспособность становится равной 1 (зеленый)? Я построил апостериорные средние модели и похоже, что осадки и диаметр не влияют на жизнеспособность дерева, но виды реагируют по-разному.

2. Как проверить правильность модели?

Data structure: Species, diameter (DBH), vitality 2018 (vit_2018) and precipitation (pp18). Were made plots, 1 plot contains 10 trees measured, precipitation is one value per plot. 
###MCMCglmm model, family= ordinal

    prior1<-list(R=list(V=diag(1),nu=0.002))
    m1 <-MCMCglmm(VIT_2018~ pp18 +DBH+Species, 
                                 family = "ordinal", data = comsp,prior=prior1,pr = TRUE, 
                                 nitt = 60000, burnin =30000, thin = 50)
    summary(m1)

    #Output:
    Iterations = 30001:59951
     Thinning interval  = 50
     Sample size  = 600 

     DIC: -146008.7 

     R-structure:  ~units

          post.mean l-95% CI u-95% CI eff.samp
    units      2697     1016     5304    6.075

     Location effects: VIT_2018 ~ pp18 + DBH + Species 

                            post.mean  l-95% CI  u-95% CI eff.samp   pMCMC   
    (Intercept)              60.64229  31.71644  92.78733    11.49 < 0.002 **
    pp18                     -0.07020  -0.11518  -0.03556    15.47 < 0.002 **
    DBH                       0.17357  -0.01797   0.37281    58.26 0.06000 . 
    SpeciesBetula pendula   -12.88510 -29.42191   1.87807    58.40 0.08667 . 
    SpeciesCarpinus betulus  15.57570   0.96439  30.89528    45.04 0.02000 * 
    SpeciesCorylus avellana  -3.81337 -18.31965  13.12771   600.00 0.59000   
    SpeciesCrataegus spec.  -14.90077 -36.86880   4.24729   286.00 0.10333   
    SpeciesFagus sylvatica  -15.03559 -29.04547  -2.07809    60.56 0.00667 **
    SpeciesFrangula alnus    20.10817  -0.10598  38.66354    73.88 0.01333 * 
    SpeciesQuercus spec.     -9.09458 -24.52595   6.42502   293.33 0.26000   
    SpeciesSambucus nigra    24.29894   2.58339  46.29901    49.66 0.02333 * 
    SpeciesSorbus aucuparia  39.56930  22.97282  63.15175    10.13 < 0.002 **
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

     Cutpoints: 
                             post.mean l-95% CI u-95% CI eff.samp
    cutpoint.traitVIT_2018.1     80.46    55.38    117.9    4.204
#### Estimating Credible Intervals

    HPDinterval(mcmc(randomprior1$Sol[,"(Intercept)"]))
    #        lower    upper
    #var1 31.71644 92.78733
    #attr(,"Probability")
    #[1] 0.95

Скрипт Data и R можно найти здесь

https://drive.google.com/drive/folders/1LmgEAssR5FfFw1CkYjygsaawg84dDAwk?usp=sharing Здесь прилагается часть данных, когда я запускаю модель со всеми данными, графики плотности выглядят лучше.

P.S. Я также пробовал функцию clm из порядкового пакета в R, но псевдоним Макфаддена r ^ 2 был 0,06 = не очень подходит. Итак, я проверил данные об осадках и расположение графиков с помощью критерия I Морана, и обнаружилась пространственная автокорреляция. Я использую MCMCglmm, потому что читал, что он может иметь дело с пространственной автокорреляцией. До сих пор я следовал нескольким руководствам или вопросам, которые я нашел в Интернете.

Любые предложения были бы действительно полезны.

Спасибо за ваше время и помощь!


r mcmc spatial ordinals
person Beloiu Mirela    schedule 02.02.2020    source источник
comment
Это выглядит не по теме SO. Скорее всего, вы получите аргументированный ответ в списке рассылки [R-sig-ME. Подпишитесь и опубликуйте то, что вы предложили.   -  person IRTFM    schedule 02.02.2020
comment
Вы говорите, что я использую MCMCglmm, потому что я читал, что он может иметь дело с пространственной автокорреляцией. Но я не вижу пространственных переменных. Они у тебя есть?   -  person Istrel    schedule 02.02.2020
comment
Существуют систематические закономерности в пространственном распределении осадков (в основном это две большие группы: высокие значения осадков и низкие значения). Графики отбираются на расстоянии 5 км, но соседние участки имеют аналогичные значения осадков, поэтому это означает, что выборки не являются независимыми, и это положительная пространственная автокорреляция. Я не применял Moran I к остаткам модели, если я это сделаю. ? Я добавил график в гугл диск с кластерами. Спасибо за совет!   -  person Beloiu Mirela    schedule 02.02.2020