Chapitre 9 Régressions à effets mixtes (GLMM)

Dans les deux chapitres précédents, nous avons consécutivement présenté la méthode de la régression linéaire multiple (LM) ainsi qu’une de ses extensions, soit les modèles linéaires généralisés (GLM). Dans ce chapitre, nous poursuivons sur cette voie avec une nouvelle extension : les modèles généralisés à effet mixtes (GLMM). À la fin de cette section, vous serez en mesure de :

• comprendre la distinction entre un modèle GLM et un modèle GLMM;
• distinguer un effet fixe d’un effet aléatoire;
• formuler des modèles GLMM avec des constantes et/ou des pentes aléatoires;
• effectuer les diagnostics d’un GLMM.

Dans ce chapitre, nous utilisons principalement les packages suivants :

• Pour créer des graphiques :
  • ggplot2, le seul, l’unique!
  • ggpubr pour combiner des graphiques et réaliser des diagrammes.
  • ellipse pour représenter des ellipses sur certains graphiques.
• Pour ajuster des modèles GLMM :
  • lme4, offrant une interface simple pour ajuster des GLMM.
• Pour analyser des modèles GLM :
  • car, essentiellement pour la fonction vif.
  • DHARMa pour le diagnostic des résidus simulés.
  • merTools pour explorer les résultats d’un GLMM.
  • lmerTest pour obtenir des tests de significativité pour les coefficients d’un GLMM.
  • MuMin pour calculer les R² conditionnel et marginal.
  • performance pour calculer l’ICC et d’autres mesures d’ajustement.