Questions tagged «lme4-nlme»

关闭。这个问题是题外话。它当前不接受答案。 想改善这个问题吗？ 更新问题，使它成为交叉验证的主题。 6个月前关闭。 我正在使用R软件包nlme和lme4进行工作，试图指定具有多个随机效果的模型。我发现，只有nlme允许指定方差的异质结构。因此，我得到一个模型，其中温度（Y）取决于时间（以小时为单位），截距随日期和年份而变化，方差也随年份而变化： fit1 <- lme(Y ~ time, random=~1|year/date, data=X, weights=varIdent(form=~1|year)) 但是，如果我需要添加另一个随机项（时间随日期变化），并指定模型，如下所示： fit2 <- lme(Y ~ time, random=list(~1|year, ~time-1|date, ~1|date), data=X, weights=varIdent(form=~1|year)) 随机效果相互嵌套：日期，年份；然后以日期和年份为日期。 我也试过 one <- rep(1, length(Y)) fit3 <- lme(Y ~ time, random=list(one=pdBlocked(list(pdSymm(~1|year/date), pdSymm(~time-1|year)))), data=X, weights=varIdent(form=~1|year)) 但它给出了一个错误： Error in pdConstruct.pdBlocked(object, form = form, nam = nam, data …

25 r  random-effects-model  lme4-nlme 

我正在尝试从使用ez软件包过渡到lme重复测量方差分析（因为我希望能够在上使用自定义对比lme）。 遵循此博客文章的建议，我能够同时使用和设置相同的模型aov（ez当需要时也是如此）lme。然而，尽管在给出的例子中那个帖子的˚F -值不完美之间同意aov和lme（我检查，他们这样做），这是不是我的数据的情况。尽管F值相似，但它们并不相同。 aov返回1.3399的f值，lme返回1.36264。我愿意接受aov结果为“正确” 的结果，因为这也是SPSS返回的结果（这对我的字段/主管很重要）。 问题： 如果有人能解释为什么存在这种差异以及如何使用我lme来提供可靠的结果，那就太好了。（如果它给出“正确的”结果，我也愿意使用lmer而不是lme用于这种类型的东西。但是，到目前为止，我还没有使用它。） 解决此问题后，我想进行对比分析。尤其是我对合并因子的前两个级别（即c("MP", "MT")）并将其与因子的第三个级别（即）进行对比的兴趣"AC"。此外，测试因子的第三级与第四级（即"AC"vs "DA"）。 数据： tau.base <- structure(list(id = structure(c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L, 22L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, …

24 r  anova  mixed-model  repeated-measures  lme4-nlme 

我一直在通过@conjugateprior浏览lm / lmer R公式的概述，并被以下条目弄糊涂了： 现在假设A是随机的，但B是固定的，并且B嵌套在A内。 aov(Y ~ B + Error(A/B), data=d) 下面lmer(Y ~ B + (1 | A:B), data=d) 为相同情况提供了类似的混合模型公式。 我不太明白这是什么意思。在将受试者分为几组的实验中，我们将在固定因子（组）中嵌套一个随机因子（对象）。但是，如何将固定因子嵌套在随机因子中呢？有固定的嵌套在随机主题内的东西吗？可能吗 如果不可能，那么这些R公式有意义吗？ 提到该概述部分基于个性项目的页面，该页面基于R中的重复度量的本教程，而该页面本身基于R进行ANOVA。以下是重复测量方差分析的示例： aov(Recall ~ Valence + Error(Subject/Valence), data.ex3) 在这里，向受试者显示不同价的单词（三个级别的因子），并测量其回忆时间。每个主题都有三个价位的单词。我没有看到此设计中嵌套的任何内容（按照此处的最佳答案，它看起来像是交叉的），因此在这种情况下，我会天真的认为Error(Subject)或(1 | Subject)应该使用适当的随机术语。在Subject/Valence“筑巢”（？）是混淆。 请注意，我确实知道这Valence是一个内部因素。但我认为这不是科目中的“嵌套”因素（因为所有科目都经历的所有三个级别Valence）。 更新。我正在探索有关在R中编码重复测量方差分析的CV问题。 在此，以下内容用于固定的内部/重复测量值A和随机值subject： summary(aov(Y ~ A + Error(subject/A), data = d)) anova(lme(Y ~ A, random = ~1|subject, data …

23 r  anova  mixed-model  repeated-measures  lme4-nlme 

我想知道在混合模型中是否有任何计算样本量的方法？我lmer在R中使用以拟合模型（我具有随机斜率和截距）。

23 r  mixed-model  lme4-nlme  power-analysis 

我们使用以下语法运行了混合效果逻辑回归： # fit model fm0 <- glmer(GoalEncoding ~ 1 + Group + (1|Subject) + (1|Item), exp0, family = binomial(link="logit")) # model output summary(fm0) 主题和项目是随机效果。我们得到一个奇怪的结果，即该主题词的系数和标准偏差均为零； Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) [glmerMod] Family: binomial ( logit ) Formula: GoalEncoding ~ 1 + Group + (1 | Subject) …

22 r  mixed-model  stata  glmm  lme4-nlme 

假设我对每个站点的每个主题都有一些度量。就计算类内相关性（ICC）值而言，主题和地点这两个变量是令人关注的。通常，我会使用lmerR包中的函数lme4并运行 lmer(measurement ~ 1 + (1 | subject) + (1 | site), mydata) 可以从上述模型中随机效应的方差获得ICC值。 但是，我最近读了一篇论文，这真的使我感到困惑。使用上述示例，作者在nlme程序包中使用函数lme计算了论文中的三个ICC值：一个用于主题，一个用于站点，一个用于主题与站点的交互。该文件未提供更多细节。我从以下两个角度感到困惑： 如何用lme计算ICC值？我不知道如何在lme中指定这三个随机效果（主题，站点及其交互）。 考虑将ICC用于主题和网站之间的交互真的有意义吗？从建模或理论角度来看，您可以进行计算，但是从概念上讲，我很难解释这种相互作用。

22 r  lme4-nlme  intraclass-correlation 

我有一个重复测量实验，其中因变量是一个百分比，并且我有多个因素作为自变量。我想glmer从R包中使用lme4它（通过指定family=binomial）作为逻辑回归问题，因为它似乎可以直接容纳此设置。 我的数据如下所示： > head(data.xvsy) foldnum featureset noisered pooldur dpoolmode auc 1 0 mfcc-ms nr0 1 mean 0.6760438 2 1 mfcc-ms nr0 1 mean 0.6739482 3 0 melspec-maxp nr075 1 max 0.8141421 4 1 melspec-maxp nr075 1 max 0.7822994 5 0 chrmpeak-tpor1d nr075 1 max 0.6547476 6 1 chrmpeak-tpor1d nr075 1 …

21 r  logistic  mixed-model  glmm  lme4-nlme 

对于以下数据集，我想查看响应（效果）是否随站点，季节，持续时间及其相互作用而变化。一些在线统计论坛建议我继续使用线性混合效应模型，但是问题在于，由于每个站点内的重复样本都是随机的，因此我几乎没有机会连续几个季度从完全相同的位置收集样本（例如，季风后s1的repl-1可能与季风不同。这与临床试验（采用受试者内部设计）不同，在临床试验中，您会按季节重复测量同一受试者。但是，考虑到站点和季节是随机因素，我运行了以下命令并收到警告消息： Warning messages: 1: In checkConv(attr(opt, "derivs"), optpar,ctrl=controlpar,ctrl=controlcheckConv, : unable to evaluate scaled gradient 2: In checkConv(attr(opt, "derivs"), optpar,ctrl=controlpar,ctrl=controlcheckConv, : Model failed to converge: degenerate Hessian with 1 negative eigenvalues 谁能帮我解决这个问题？代码如下： library(lme4) read.table(textConnection("duration season sites effect 4d mon s1 7305.91 4d mon s2 856.297 4d mon s3 649.93 4d mon …

21 r  mixed-model  lme4-nlme 

我一直在处理一些重复测量有问题的数据。在这样做的过程中，我注意到测试数据之间lme()以及lmer()使用测试数据时存在非常不同的行为，并且想知道为什么。 我创建的虚假数据集具有10个对象的身高和体重测量值，每个测量值两次。我设置数据以使受试者之间的身高和体重之间存在正相关关系，但在每个个体内重复测量之间存在负相关关系。 set.seed(21) Height=1:10; Height=Height+runif(10,min=0,max=3) #First height measurement Weight=1:10; Weight=Weight+runif(10,min=0,max=3) #First weight measurement Height2=Height+runif(10,min=0,max=1) #second height measurement Weight2=Weight-runif(10,min=0,max=1) #second weight measurement Height=c(Height,Height2) #combine height and wight measurements Weight=c(Weight,Weight2) DF=data.frame(Height,Weight) #generate data frame DF$ID=as.factor(rep(1:10,2)) #add subject ID DF$Number=as.factor(c(rep(1,10),rep(2,10))) #differentiate between first and second measurement 这是数据的图，线连接了每个人的两个测量值。 因此，我运行了两个模型，一个模型lme()来自nlmepackage，一个模型来自lmer()from lme4。在这两种情况下，我都进行了体重对身高的回归分析，并使用ID的随机效应来控制每个人的重复测量。 library(nlme) Mlme=lme(Height~Weight,random=~1|ID,data=DF) library(lme4) Mlmer=lmer(Height~Weight+(1|ID),data=DF) …

20 r  mixed-model  lme4-nlme 

我一直在研究使用R中的lme4包进行的混合效果建模。我主要使用该lmer命令，因此我将通过使用该语法的代码提出问题。我想可能是一个简单的普遍问题，可以比较lmer使用基于相同数据集的似然比构造的任何两个模型吗？我相信答案必须是“否”，但我可能是错误的。我已经阅读了有关随机效应是否必须相同的信息，而随机效应的含义是什么呢？因此，我将举几个例子。我将从使用单词刺激的重复测量数据中获取它们，也许像Baayen（2008）这样的东西在解释中会很有用。 假设我有一个模型，其中有两个固定效果预测变量，我们将它们称为A和B，还有一些随机效果……感知它们的单词和主题。我可能会构建如下模型。 m <- lmer( y ~ A + B + (1|words) + (1|subjects) ) （请注意，我故意data =将其排除在外，REML = FALSE为了清晰起见，我们假设我的意思总是） 现在，以下模型中，哪些可以与上述模型的似然比进行比较，哪些不可以？ m1 <- lmer( y ~ A + B + (A+B|words) + (1|subjects) ) m2 <- lmer( y ~ A + B + (1|subjects) ) m3 <- lmer( y ~ A …

20 r  mixed-model  lme4-nlme  likelihood-ratio 

我们知道，配对t检验只是单向重复测量（或对象内）ANOVA以及线性混合效应模型的一种特殊情况，可以用Rme中的lme（）函数的lme（）函数进行演示如下所示。 #response data from 10 subjects under two conditions x1<-rnorm(10) x2<-1+rnorm(10) # Now create a dataframe for lme myDat <- data.frame(c(x1,x2), c(rep("x1", 10), rep("x2", 10)), rep(paste("S", seq(1,10), sep=""), 2)) names(myDat) <- c("y", "x", "subj") 当我运行以下配对t检验时： t.test(x1, x2, paired = TRUE) 我得到了这个结果（由于随机生成器，您将得到不同的结果）： t = -2.3056, df = 9, p-value = 0.04657 …

20 r  mixed-model  t-test  repeated-measures  lme4-nlme 

请从主题设计的两个方面考虑以下数据： df <- "http://personality-project.org/r/datasets/R.appendix4.data" df <- read.table(df,header=T) head(df) Observation Subject Task Valence Recall 1 1 Jim Free Neg 8 2 2 Jim Free Neu 9 3 3 Jim Free Pos 5 4 4 Jim Cued Neg 7 5 5 Jim Cued Neu 9 6 6 Jim Cued Pos 10 我想使用混合线性模型对此进行分析。考虑到所有可能的固定效应和随机效应，有多种可能的模型： …

19 mixed-model  repeated-measures  model-selection  lme4-nlme  likelihood-ratio 

假设我们必须使用GLMM mod1 <- glmer(y ~ x + A + (1|g), data = dat) mod2 <- glmer(y ~ x + B + (1|g), data = dat) 这些模型不是通常意义上的嵌套： a <- glmer(y ~ x + A + (1|g), data = dat) b <- glmer(y ~ x + A + B + (1|g), data …

19 r  mixed-model  aic  lme4-nlme  nested-models 

假设我们正在研究随时间推移一些计数数据的随机效应模型，并且我们希望控制某些趋势。通常，您会执行以下操作： lmer(counts ~ dependent_variable + (1+t+I(t^2)|ID), family="poisson") 为包括二次形状t。是否可以使用一些更复杂的平滑技术（如LOESS平滑器或样条线）来建立这种关系的模型？

19 mixed-model  lme4-nlme  splines 

有一个区别让我迷上了混合模型，我想知道我是否可以对此有所了解。假设您有一个计数数据的混合模型。有一个您要用作固定效果的变量（A）和另一个时间（T）变量，按“站点”变量分组。 据我了解： glmer(counts ~ A + T, data=data, family="Poisson") 是固定效果模型。 glmer(counts ~ (A + T | Site), data=data, family="Poisson") 是随机效应模型。 我的问题是，当您遇到以下情况时： glmer(counts ~ A + T + (T | Site), data=data, family="Poisson")什么是T？这是随机效应吗？固定效果？将T放在两个地方实际上完成了什么？ 什么时候仅应在模型公式的“随机效应”部分中显示？

19 r  mixed-model  lme4-nlme