Questions tagged «lme4-nlme»

我正在尝试lme从nlme软件包中复制aov重复测量方差分析的结果。对于单因素重复测量实验和具有一个受试者间因素和一个受试者内因素的两因素实验，我已经做到了，但是对于在两个因素内的两个因素实验，我却遇到了麻烦主题因素。 一个例子如下所示。A和B是固定效应因子和subject是随机效应的因素。 set.seed(1) d <- data.frame( Y = rnorm(48), subject = factor(rep(1:12, 4)), A = factor(rep(1:2, each=24)), B = factor(rep(rep(1:2, each=12), 2))) summary(aov(Y ~ A*B + Error(subject/(A*B)), data=d)) # Standard repeated measures ANOVA library(nlme) # Attempts: anova(lme(Y ~ A*B, data=d, random = ~ 1 | subject)) # not same as …

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

我有一个具有二项式分布和logit链接函数的GLMM，并且我觉得模型中没有很好地表示数据的重要方面。 为了测试这一点，我想知道数据是否通过对数刻度上的线性函数很好地描述了。因此，我想知道残差是否良好。但是，我无法确定要在哪个残差图上绘制以及如何解释该图。 请注意，我正在使用lme4的新版本（来自GitHub的开发版本）： packageVersion("lme4") ## [1] ‘1.1.0’ 我的问题是：如何使用logit链接函数检查和解释二项式广义线性混合模型的残差？ 以下数据仅代表我实际数据的17％，但是拟合在我的机器上已经花费了大约30秒，因此我将其保留为： require(lme4) options(contrasts=c('contr.sum', 'contr.poly')) dat <- read.table("http://pastebin.com/raw.php?i=vRy66Bif") dat$V1 <- factor(dat$V1) m1 <- glmer(true ~ distance*(consequent+direction+dist)^2 + (direction+dist|V1), dat, family = binomial) 最简单的绘图（?plot.merMod）会产生以下结果： plot(m1) 这已经告诉我一些事情了吗？

19 binomial  residuals  glmm  lme4-nlme 

请考虑以下数据： dt.m <- structure(list(id = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12), occasion = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, …

19 r  mixed-model  stata  lme4-nlme 

我知道混合模型的优点之一是它们允许为数据指定方差-协方差矩阵（化合物对称性，自回归，非结构化等）。但是，lmerR中的函数不允许对该矩阵进行简单说明。有谁知道lmer默认使用什么结构，为什么没有办法轻松指定它？

18 r  mixed-model  lme4-nlme  covariance-matrix 

我了解，当我们相信某些模型参数在某些分组因子中随机变化时，我们会使用随机效应（或混合效应）模型。我希望拟合一个模型，该模型的响应已在分组因子上进行了归一化和居中（不完美，但非常接近），但是自变量x没有进行任何调整。这使我进行了以下测试（使用虚构数据），以确保如果确实存在，我会找到所需的效果。我运行了一个带有随机截距的混合效应模型（跨由定义的组f）和另一个以因子f作为固定效应预测因子的固定效应模型。我将R包lmer用于混合效果模型和基本函数lm()对于固定效果模型。以下是数据和结果。 请注意y，无论组如何，其变化都在0左右。并且该x变化与y组内的变化一致，但跨组的变化要大得多。y > data y x f 1 -0.5 2 1 2 0.0 3 1 3 0.5 4 1 4 -0.6 -4 2 5 0.0 -3 2 6 0.6 -2 2 7 -0.2 13 3 8 0.1 14 3 9 0.4 15 3 10 -0.5 -15 4 11 -0.1 -14 …

18 mixed-model  random-effects-model  fixed-effects-model  lme4-nlme  intraclass-correlation 

背景： 注意：我的数据集和R代码包含在文本下方 我希望使用AIC比较使用R中的lme4包生成的两个混合效果模型。每个模型都有一个固定效果和一个随机效果。模型之间的固定效果不同，但模型之间的随机效果保持不变。我发现如果我使用REML = T，则model2的AIC分数较低，但是如果我使用REML = F，则model1的AIC分数较低。 支持使用ML： Zuur等。（2009年；第122页）建议“要比较具有嵌套固定效应（但具有相同随机结构）的模型，必须使用ML估计而不是REML。” 这向我表明我应该使用ML，因为两个模型的随机效果都相同，但是固定效果却不同。[Zuur等。2009。R.Springer的《混合效应模型和生态学扩展》。 支持使用REML： 但是，我注意到当我使用ML时，两个模型之间与随机效应相关的剩余方差有所不同（模型1 = 136.3；模型2 = 112.9），但是当我使用REML时，模型之间是相同的（模型1 =模型2 = 151.5）。这对我来说意味着我应该改为使用REML，以便具有相同随机变量的模型之间的随机残差保持相同。 题： 在固定效应改变而随机效应保持不变的模型比较中，使用REML比ML更有意义吗？如果不是，您能解释为什么还是将我指向其他能解释更多内容的文献吗？ # Model2 "wins" if REML=T: REMLmodel1 = lmer(Response ~ Fixed1 + (1|Random1),data,REML = T) REMLmodel2 = lmer(Response ~ Fixed2 + (1|Random1),data,REML = T) AIC(REMLmodel1,REMLmodel2) summary(REMLmodel1) summary(REMLmodel2) # Model1 "wins" …

18 maximum-likelihood  random-effects-model  fixed-effects-model  mixed-model  lme4-nlme 

这是我的数据框： Group <- c("G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3") Subject <- c("S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15") Value <- c(9.832217741,13.62390117,13.19671612,14.68552076,9.26683366,11.67886655,14.65083473,12.20969772,11.58494621,13.58474896,12.49053635,10.28208078,12.21945867,12.58276212,15.42648969,9.466436017,11.46582655,10.78725485,10.66159358,10.86701127,12.97863424,12.85276916,8.672953949,10.44587257,13.62135205,13.64038394,12.45778874,8.655142642,10.65925259,13.18336949,11.96595556,13.5552118,11.8337142,14.01763101,11.37502161,14.14801305,13.21640866,9.141392359,11.65848845,14.20350364,14.1829714,11.26202565,11.98431285,13.77216009,11.57303893) data <- data.frame(Group, Subject, Value) 然后，我运行一个线性混合效果模型来比较“价值”上这3组的差异，其中“主题”是随机因素： library(lme4) library(lmerTest) model <- lmer (Value~Group + (1|Subject), data = data) summary(model) 结果是： Fixed effects: Estimate Std. Error df t value Pr(>|t|) (Intercept) 12.48771 0.42892 31.54000 29.114 <2e-16 *** GroupG2 -1.12666 0.46702 28.00000 -2.412 …

18 r  lme4-nlme  post-hoc 

我有手术期间接受2种不同治疗方法治疗的患者的数据。我需要分析它对心率的影响。每15分钟测量一次心率。 鉴于每个患者的手术时间可能不同，因此每个患者可以进行7到10次心率测量。因此，应使用不平衡的设计。我正在使用R进行分析。并且一直在使用ez软件包重复测量混合效果方差分析。但是我不知道如何分析不平衡的数据。有人可以帮忙吗？ 也欢迎有关如何分析数据的建议。 更新： 按照建议，我使用lmer函数拟合了数据，发现最好的模型是： heart.rate~ time + treatment + (1|id) + (0+time|id) + (0+treatment|time) 结果如下： Random effects: Groups Name Variance Std.Dev. Corr id time 0.00037139 0.019271 id (Intercept) 9.77814104 3.127002 time treat0 0.09981062 0.315928 treat1 1.82667634 1.351546 -0.504 Residual 2.70163305 1.643665 Number of obs: 378, groups: subj, 60; time, …

17 r  mixed-model  repeated-measures  lme4-nlme 

在我的研究中，我将使用几种指标来衡量工作量。具有心率变异性（HRV），皮肤电活动（EDA）和主观量表（IWS）。标准化后，IWS具有三个值： 工作量低于正常水平 平均工作量 工作量高于正常水平。 我想看看生理指标可以很好地预测主观工作量。 因此，我想使用比率数据来预测序数值。根据：如何在R中同时使用数字/分类值进行有序逻辑回归分析？使用此MASS:polr功能很容易做到。 但是，我也想考虑随机效应，例如受试者之间的差异，性别，吸烟等。在本教程中，我看不到如何向添加随机效应MASS:polr。替代地lme4:glmer，然后将是一种选择，但是该功能仅允许预测二进制数据。 是否可以向序数逻辑回归添加随机效应？

17 r  logistic  lme4-nlme  ordered-logit  polr 

R中的模型公式，例如 y ~ x + a*b + c:d 基于所谓的Wilkinson表示法：Wilkinson和Rogers 1973，用于方差分析的阶乘模型的符号描述。 本文没有讨论混合模型的符号（那时可能还不存在）。那么R中的混合模型公式lme4以及相关程序包中使用了什么，例如 y ~ x + a*b + c:d + (1|school) + (a*b||town) 来自？谁是第一次引入它们，何时引入？是否有针对他们的“ Wilkinson表示法”之类的商定术语？我专门指的是 (model formula | grouping variable) (model formula || grouping variable)

16 r  mixed-model  lme4-nlme  notation  history 

我正在使用R中包中的glmer函数lme4，并且正在使用bobyqa优化器（即我的默认设置）。我收到警告，我很好奇这意味着什么。 Warning message: In optwrap(optimizer, devfun, start, rho$lower, control = control, : convergence code 3 from bobyqa: bobyqa -- a trust region step failed to reduce q 我搜索“信任区域步骤无法减少q”。在minqa程序包中找到了一些信息，上面写着 “请咨询Powell进行解释”。我做到了（如果需要，您也可以！请参见下面的参考资料和指向它们的链接），但是我不明白。实际上，我没有找到关于减少q的任何信息。 MJD Powell（2007）“ NEWUOA在无导数的无约束最小化方面的发展”，剑桥大学，应用数学和理论物理系，数值分析组，报告NA2007 / 05，http： //www.damtp.cam.ac.uk/ user / na / NA_papers / NA2007_05.pdf。 MJD Powell（2009），“没有导数的有界约束优化的BOBYQA算法”，报告号DAMTP 2009 / NA06，英国剑桥大学数学科学中心。http://www.damtp.cam.ac.uk/user/na/NA_papers/NA2009_06.pdf。 附言：我知道我可以更改优化器，并且我将查看是否可以得到没有警告或错误的输出。根据Ben Bolker的评论/答案，我还将检查渐变和粗麻布。我使用的是glmer内dredge从MuMIn，我不知道，如果本的答案没有一些额外的工作，修修补补，但我会在上面工作，一旦我的电脑上完成它在做什么，反正我离题了。 更新资料 …

16 r  optimization  lme4-nlme  convergence  glmm 

我无法理解lmer()模型的输出。它是结果变量（支持）的简单模型，具有不同的状态截距/状态随机效应： mlm1 <- lmer(Support ~ (1 | State)) 结果为summary(mlm1)： Linear mixed model fit by REML Formula: Support ~ (1 | State) AIC BIC logLik deviance REMLdev 12088 12107 -6041 12076 12082 Random effects: Groups Name Variance Std.Dev. State (Intercept) 0.0063695 0.079809 Residual 1.1114756 1.054265 Number of obs: 4097, groups: State, …

16 r  mixed-model  random-effects-model  lme4-nlme 

我最近一直在使用MCMCglmm包裹。我对文档中称为R结构和G结构的内容感到困惑。这些似乎与随机效应有关-特别是为它们的先验分布指定参数，但是文档中的讨论似乎假设读者知道这些术语是什么。例如： 具有3个可能元素的先验规范的可选列表：R（R结构）G（G结构）和B（固定效应）.............方差结构（R和G）的先验）列出了具有逆Wishart的期望（协方差）（V）和置信度参数（nu）的列表 ...取自 这里取得。 编辑：请注意，我已经按照斯蒂芬的评论改写了其余的问题。 任何人都可以阐明什么R-结构和G-结构是光，在其中线性预测器是一个简单的方差分量模型的上下文中 β0+e0ij+u0jβ0+e0ij+u0j\beta_0 + e_{0ij} + u_{0j} 与e0ij∼N(0,σ20e)e0ij∼N(0,σ0e2)e_{0ij} \sim N(0,\sigma_{0e}^2)和u0j∼N(0,σ20u)u0j∼N(0,σ0u2)u_{0j} \sim N(0,\sigma_{0u}^2) 我用随附的一些数据制作了以下示例 MCMCglmm > require(MCMCglmm) > require(lme4) > data(PlodiaRB) > prior1 = list(R = list(V = 1, fix=1), G = list(G1 = list(V = 1, nu = 0.002))) > m1 <- MCMCglmm(Pupated ~1, random = …

16 r  bayesian  mixed-model  lme4-nlme 

假设我们有一个模型 mod <- Y ~ X*Condition + (X*Condition|subject) # Y = logit variable # X = continuous variable # Condition = values A and B, dummy coded; the design is repeated # so all participants go through both Conditions # subject = random effects for different subjects summary(model) Random effects: …

16 mixed-model  lme4-nlme  overfitting  singular 

我正在尝试使用lme4::glmer()二项式广义混合模型（GLMM）来拟合因变量，该因变量不是二进制的，而是介于零和一之间的连续变量。可以将这个变量视为一种可能性；实际上，这是人类受试者报告的概率（在我帮助分析的实验中）。也就是说，它不是 “离散”分数，而是连续变量。 我的glmer()电话无法正常工作（请参阅下文）。为什么？我能做什么？ 稍后编辑：我的以下回答比该问题的原始版本更笼统，因此我也将该问题修改为更笼统。 更多细节 显然，不仅可以对二进制DV使用逻辑回归，而且还可以对零和一之间的连续DV使用逻辑回归。的确，当我跑步时 glm(reportedProbability ~ a + b + c, myData, family="binomial") 我收到警告消息 Warning message: In eval(expr, envir, enclos) : non-integer #successes in a binomial glm! 但是非常合理的拟合（所有因素都是分类的，因此我可以轻松地检查模型预测是否接近跨学科平均水平，并且接近）。 但是，我实际要使用的是 glmer(reportedProbability ~ a + b + c + (1 | subject), myData, family="binomial") 它给了我同样的警告，返回了一个模型，但是这个模型显然有很大的缺陷。固定效应的估计值与固定效应的估计值相距甚远glm()。（而且我需要包含glmerControl(optimizer="bobyqa")在glmer通话中，否则它根本不会收敛。）

15 r  logistic  mixed-model  glmm  lme4-nlme