[3 月の降雪]
今日の最高気温は +0.4℃，
真冬日にちかい．
glmmML()
が計算してくれたランダム変量の期待値が処理ごとに偏っている．
おそらく「シャーレごとにばらつきがある」
という仮定が適切ではないんだろーな
(それからモデルはやや複雑であるのに対して
使えるデータ数もびみょーな気がする)．
むしろ
「種子ごとにばらつく」
というのがマシな考えだという気がするんだけど，
これはちょいたいへんになるんで，
今回は見送るか，
というところ．
glm()
による予測と実際の発芽数を比較すると
……
とりあえずの近似としては，
まあまあよくできてんぢゃなかろーか，
ということで．
残ったパラメーター数は 4．
これをいろいろな日数にかけて合計したものが，
この統計モデルの線形予測子である．
glmmML()
ふたたび．
今度は各シャーレだけでなく，
各観測日でもランダム変量が入る，
と仮定するモデリング
……
お，
今回は呪われぎみな状況に陥らずに最尤推定値が得られたぞ．
よしよし．
glmmML$frail
が処理ごとにひどく偏ってる．
で，
これの線形予測子と発芽数の関係を調べてみると
……
やはりダメだな．
MASS
ライブラリ中の
glm.nb()
を使ってみたんだけど
……
なるほど推定結果そのものはよくなる．
Variance は Poisson で期待されるときの
約 1 + 2μ 倍だ
(θ = 0.53)．
しかし，
この関数というかオブジェクトって，
offset
つけた状態で stepAIC
にほうりこむと，
いまいち挙動がヘンという気がする．
まあ，
あえて使うこともないかなぁ．
ちょっと放置することに．
treatment
を独立変数としてふつーの
glm()
にほうりこんでみる．
これは，
いわば実験処理日数の足し算 & 引き算の組み合わせでは
説明しきれんかった非線型なる部分を押しこんでしまう項だ．
で，
やってみると線形予測子がかなり改善された．
あいかーらず overdispersion ではあるけれど．