Estimados, Les consulto por el siguiente problema. Variable respuesta: Número de picadas de alimentación de los insectos (picadas) Factores: 1) Especie de insecto (especie), 2) Estado de desarrollo de los insectos (edad) y 3) Estado de desarrollo de frutos (estado). Modelo: MLG con distribución binomial negativa como componente aleatorio. Estrategia de selección de modelo: Evaluación del cambio de deviance y su valor P al ir agregando términos Cuando corro el modelo Nulo *Nulo<-glm.nb(picadas~1, data=nochoice)* obtengo: *Null deviance: 263.50 on 299 degrees of freedom* *Residual deviance: 263.50 on 299 degrees of freedom* *AIC: 794.67* Pero al correr las otras versiones posibles, obtengo una diferente Null deviance en cada caso. Por ejemplo: ModeloTotal.NB<-glm.nb(picadas~estado*edad*especie,data=nochoice) obtengo: *Null deviance: 380.87 on 299 degrees of freedom* *Residual deviance: 268.31 on 270 degrees of freedom* *AIC: 762.1* Como puede apreciarse, la Null deviance cambia. Entonces, cuando quiero construir la table de análisis de la deviance para reportar los resultados, no sé contra qué comparar los modelos no-nulos: a) contra la Null deviance del modelo Nulo ajustado explícitamente, o b) contra cada Null deviance que arroja el programa al ajustar cada modelo no-nulo. Con la opción (a) la residual deviance del modelo no-nulo es mayor que la del modelo Nulo (263.5 vs. 268.31, lo que constituye un resultado al menos contraintuitivo). Con la opción (b) obviamente la null deviance es mayor que la residual deviance (en el ejemplo de arriba es 380.87 vs. 268.31). Esto parece indicar que la opción (b) es la que corresponde. Pero si es así, el asunto es qué declaro en la tabla como valor de deviance residual para el modelo Nulo, (recordar que si uso la deviance residual del modelo Nulo ajustado explícitamente, el cambio de deviance se sería positivo). El tipo de tabla que pensaba construir para presentar los resultados es la siguiente: Model Residual deviance Change deviance DF P Null 251.71 A 240.88 -10.84 6 0.028 A + B 229.87 -11.01 4 0.088 Aparte de esto, en cuanto a la causa de esta "inestabilidad" de la Null deviance, pienso que esto puede ser consecuencia del hecho de que con cada modelo que se ajusta, hay una estimación diferente del "Dispersion parameter for Negative Binomial" llamado theta en R. Quizá si yo pudiera fijar un valor de theta, no tendría estas diferencias de Null deviance. Este problema no ocurre cuando ajuste el MLG con Poisson como componente aleatorio (quizá porque el modelo de Poisson es más simple, menos parámetros, sin uno de ellos "flotante"). Gracias !! Trumperius [[alternative HTML version deleted]]