Modello di effetti misti con spline

Sto inserendo un modello di effetti misti con un termine spline in un'applicazione in cui la tendenza nel tempo è nota per essere curvilinea. Tuttavia, ciò che vorrei valutare è se la tendenza curvilinea si verifica a causa della deviazione individuale dalla linearità o è un effetto a livello di gruppo che fa apparire curvilinea un adattamento a livello di gruppo. Fornisco un esempio riproducibile che annoia un set di dati dal pacchetto JM.

library(nlme)
library(JM)
data(pbc2)

fitLME1 <- lme(log(serBilir) ~ ns(year, 2), random = ~ year | id, data = pbc2)
fitLME2 <- lme(log(serBilir) ~ year, random = ~ ns(year, 2) | id, data = pbc2)

In sostanza voglio sapere quale di questi si adatta meglio ai miei dati. Comunque il confronto anovami dà un monito minaccioso:

        Model df      AIC      BIC    logLik   Test  L.Ratio p-value
fitLME1     1  7 3063.364 3102.364 -1524.682                        
fitLME2     2  9 2882.324 2932.472 -1432.162 1 vs 2 185.0399  <.0001
Warning message:
In anova.lme(fitLME1, fitLME2) :
  fitted objects with different fixed effects. REML comparisons are not meaningful.

Ora sono consapevole che ci sono difficoltà a fare questo tipo di confronti attraverso metodi di massima verosimiglianza - ma qual è l'alternativa?

Come dice mdewey, quindi rimontare il modello senza il metodo di stima REML. Come dice l'avvertimento, i confronti non sono significativi quando si hanno diverse strutture di effetti fissi.

Il prossimo problema è che i modelli non sono nidificati, quindi il test F presumibilmente non ha senso. Potresti guardare i criteri di informazione. Entrambi favoriscono fitLME2.