Questions tagged «mixed-model»

我和我的同事正在R中拟合一系列线性和非线性混合效应模型。我们被要求对拟合的模型进行交叉验证，以便人们可以验证观察到的效应是相对可推广的。这通常是一项琐碎的任务，但是在我们的案例中，我们必须将整个数据分为一个培训部分和一个测试部分（出于CV目的），它们没有共同的水平。例如， 训练数据可以基于组1,2,3,4；然后，对拟合的模型在组5上进行交叉验证。 因此，由于在训练数据上估计的基于组的随机效应不适用于测试数据，因此会产生问题。因此，我们无法对模型进行简历。 有没有相对简单的解决方案？还是有人编写了解决该问题的软件包？任何提示都欢迎！ 谢谢！

9 mixed-model  cross-validation 

这个问题听起来可能很愚蠢，但是... 随机效应仅适用于分类变量（例如个体ID，人口ID等）是正确的吗，例如说是分类变量：X一世X一世x_i ÿ一世ÿ一世y_i〜βX一世βX一世\beta_{x_i} βX一世βX一世\beta_{x_i}〜ñø ř 米（μ ，δ2）ñØ[R米（μ，δ2）Norm(\mu, \delta^2) 但是根据原理，随机效应不能应用于连续变量（例如高度，质量...），例如：ž一世ž一世z_i ÿ一世ÿ一世y_i〜α + β⋅ž一世α+β⋅ž一世\alpha + \beta \cdot z_{i} 因为只有一个系数不能约束？听起来合乎逻辑，但我想知道为什么统计文献中从未提及它！谢谢！ββ\beta 编辑：但是如果我约束像〜？那是随机效应吗？但这与我对施加的约束不同-在这里，我约束变量，而在前面的示例中，我约束了系数！对我来说，它开始看起来像是一团糟。。。不管怎么说，放这个约束没有多大意义，因为是已知值，所以也许这个想法很奇怪:-)ž一世ž一世z_iž一世ž一世z_iñø ř 米（μ ，δ2）ñØ[R米（μ，δ2）Norm(\mu, \delta^2)βX一世βX一世\beta_{x_i}ž一世ž一世z_i

9 mixed-model  categorical-data  continuous-data  random-effects-model 

我被要求分析来自临床试验的一些数据，以寻找两种测量血压的方法。我有来自50个主题的数据，每个主题使用每种方法的测量范围介于2到57个之间。 我想知道如何最好地进行。 显然，我需要一个解决方案，该解决方案应考虑以下事实：血压测量值是成对的（两种方法同时测量），还需要时变协变量（每个患者的观察次数不同），以及患者可变性。 我曾想过以某种方式将其纳入重复测量方差分析中，但我想可能需要采用混合模型方法。 我会很感激您能提供的任何有用的建议。 我是R的新手，但是对开发技能感到非常兴奋，并且我在Stata拥有一定的经验，因此可以随时依靠。

9 r  anova  mixed-model  stata 

考虑一个有多个人类参与者的实验，每个参与者在两种条件下进行了多次测量。可以将混合效果模型表示为（使用lme4语法）： fit = lmer( formula = measure ~ (1|participant) + condition ) 现在，假设我要为该模型的预测生成自举置信区间。我想我已经想出了一种简单且计算效率高的方法，并且我确定我不是第一个想到这种方法的人，但是我很难找到任何以前的出版物来描述这种方法。这里是： 拟合模型（如上所述），将其称为“原始模型” 从原始模型中获得预测，将其称为“原始预测” 从与每个参与者的每个响应相关联的原始模型中获取残差 对残差重新采样，对参与者进行替换采样 将具有高斯误差的线性混合效应模型拟合到残差，将其称为“过渡模型” 根据每个条件计算临时模型的预测（这些预测将非常接近零），将其称为“临时预测” 将临时预测添加到原始预测中，将结果称为“重采样预测” 重复多次执行步骤4到7，为每个条件生成一次重采样预测分布，从中可以一次计算CI。 我已经在简单回归（即非混合模型）的背景下看到了“残差自举”程序，其中残差被采样为重采样的单位，然后将其添加到原始模型的预测中，然后在每次迭代的新模型上拟合一个新模型。引导程序，但这似乎与我描述的方法不同，我从未描述过残差永远不会被重新采样，人们只是在在原始模型预测起作用的情况下获得临时模型。最后一个功能有一个非常不错的附带好处，即不管原始模型的复杂性如何，过渡模型都可以始终拟合为高斯线性混合模型，在某些情况下可以更快地进行拟合。例如，我最近有二项式数据和3个预测变量，我怀疑其中之一会引起强烈的非线性影响，因此我不得不使用二项式链接函数来使用广义加性混合建模。在这种情况下，拟合原始模型花费了一个多小时，而在每次迭代中拟合高斯LMM仅需几秒钟。 如果它已经是一个已知的过程，我真的不想在此声明优先权，因此，如果任何人都可以提供有关以前可能在何处描述的信息，我将不胜感激。（此外，如果此方法有任何明显的问题，请告诉我！）

9 mixed-model  bootstrap 

我搜寻了Google和该站点，但对lme4库中的lmer函数仍然感到困惑。 我从不同的精神病房收集了一些数据，这些数据具有多层次的结构。为简化起见，我将选择两个2级和2个1级变量，尽管实际上我还有几个。 2级-WardSize [这是病房的人数]和WAS [这是病房的“好”程度的一种度量] 告诉R谁在哪个病房中的分组变量称为“ Ward” 一级-性别[很明显是性别]和BSITotal [这是症状严重程度的度量] 结果是自我拒绝，这又是听起来的样子。 我有这个公式： help = lmer（公式= Selfreject〜WardSize + WAS +性别+ BSITotal +（1 | Ward）） 我希望这意味着“每个人的得分都与他们自己的性别和症状的严重程度有关，并且对病房的影响与病房的大小以及病情的“好”程度有关。 它是否正确？使我感到困惑的是，除了最后给出的病房级别截距之外，我看不到R如何分辨哪个是1级和哪个2级变量。 如果有人能解释这个概念，那么像我这样的白痴就可以理解，那就更好了。 非常感谢！

9 r  mixed-model  lme4-nlme 

我正在进行仿真研究，需要从广义线性混合模型（实际上，是固定效果的两个估算值的一个乘积，一个是GLMM，另一个是LMM的乘积）的自举估计。要做好这项研究，每次大约需要进行1000次或1500次引导复制的1000次模拟。这需要在我的计算机上花费大量时间（很多天）。 How can I speed up the computation of these fixed effects? 更具体地讲，我对对象进行了三种方式的重复测量，从而产生了变量X，M和Y，其中X和M是连续的，而Y是二进制的。我们有两个回归方程 其中Y用于底层潜连续可变和误差不会IID。 我们要引导的统计信息是。因此，每个引导复制都需要安装LMM和GLMM。我的R代码是（使用lme4）中号=α0+α1个X+ϵ1个中号=α0+α1个X+ϵ1个M=\alpha_0+\alpha_1X+\epsilon_1 ÿ∗=β0+β1个X+β2中号+ϵ2ÿ∗=β0+β1个X+β2中号+ϵ2Y^*=\beta_0+\beta_1X+\beta_2M+\epsilon_2∗∗^*ÿÿYα1β2α1β2\alpha_1\beta_2 stat=function(dat){ a=fixef(lmer(M~X+(X|person),data=dat))["X"] b=fixef(glmer(Y~X+M+(X+M|person),data=dat,family="binomial"))["M"] return(a*b) } 我意识到如果我将拟合为线性模型，我将获得相同的估算值，这样可以节省一些时间，但是对于，相同的技巧不起作用。α1α1\alpha_1β2β2\beta_2 我是否只需要购买速度更快的计算机？:)

9 r  mixed-model 

我有一个非常大的数据集，随着时间的推移，我对各个位置进行了重复测量。有些位置可能有10个数据点，而有些位置只有1个数据点。我拟合了混合模型，并将位置用作随机效果。我的问题是我是否仍可以使用只有1个数据点的位置（因为您不能仅用1个数据绘制回归线）还是应该排除这些位置？

8 mixed-model  multilevel-analysis