Questions tagged «mixed-model»

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 

您好统计大师和R编程向导， 我对将动物捕获建模为环境条件和一年中的一天感兴趣。作为另一项研究的一部分，我统计了三年中约160天的捕获次数。在这几天的每一天，我都会获得温度，降雨，风速，相对湿度等信息。由于是从相同的5个地块重复收集数据，因此我将其用作随机效应。 我的理解是，nlme可以轻松解决残差中的时间自相关，但不能处理lme4这样的非高斯链接函数（无法处理自相关吗？）。目前，我认为在log（count）的R中使用nlme包可能会起作用。所以我现在的解决方案是运行类似的命令： m1 <- lme(lcount ~ AirT + I(AirT^2) + RainAmt24 + I(RainAmt24^2) + RHpct + windspeed + sin(2*pi/360*DOY) + cos(2*pi/360*DOY), random = ~1|plot, correlation = corARMA(p = 1, q = 1, form = ~DOY|plot), data = Data) DOY =一年中的一天。最终模型中可能会有更多的交互，但这是我的基本想法。我也可能尝试用类似的方法进一步对方差结构建模 weights = v1Pow 我不确定Poisson混合模型回归或其他方法是否有更好的方法？我刚刚在Kedem和Fokianos的“时间序列分析的回归模型”的第4章中找到了数学讨论。目前，这超出了我一点，尤其是在应用程序中（用R编码）。我在Zuur等人中也看到了MCMC解决方案。BUGS语言的混合效果模型书（Chp 23）（使用winBUGS或JAG）。那是我最好的选择吗？R中是否有一个简单的MCMC软件包可以解决这个问题？我不太了解GAMM或GEE技术，但是如果人们认为他们可以提供更好的见解，我将愿意探索这些可能性。我的主要目标是创建一个模型，以在给定环境条件下预测动物的捕获量。其次，我想解释一下动物对它们活动的反应。 任何关于最佳处理方式（从哲学上），如何在R或BUGS中进行编码的想法都将受到赞赏。我是R和BUGS（winBUGS）的新手，但正在学习。这也是我第一次尝试解决时间自相关。 谢谢，丹

16 r  mixed-model  autocorrelation  bugs  panel-data 

关于线性混合模型随机效应的模型选择的各种描述指示使用REML。我在某种程度上知道REML和ML之间的区别，但是我不明白为什么要使用REML，因为ML有偏见。例如，使用ML对正态分布模型的方差参数进行LRT是否错误（请参见下面的代码）？我不明白为什么在模型选择中，没有偏见比成为ML更重要。我认为最终的答案必须是“因为REML的模型选择比ML的模型选择更好”，但我想知道的更多。我没有阅读LRT和AIC的派生词（我不足以全面了解它们），但是如果在派生词中明确使用REML，只是知道实际上就足够了（例如， n <- 100 a <- 10 b <- 1 alpha <- 5 beta <- 1 x <- runif(n,0,10) y <- rnorm(n,a+b*x,alpha+beta*x) loglik1 <- function(p,x,y){ a <- p[1] b <- p[2] alpha <- p[3] -sum(dnorm(y,a+b*x,alpha,log=T)) } loglik2 <- function(p,x,y){ a <- p[1] b <- p[2] alpha <- p[3] beta <- …

16 mixed-model  maximum-likelihood  unbiased-estimator  likelihood-ratio  reml 

给定一个预测变量（P），一个随机效应（R）和一个固定效应（F），就可以拟合两个*混合效应模型（lme4语法）： m1 = lmer( P ~ (1|R) + F ) m2 = lmer( P ~ (1+F|R) + F) 据我了解，第二种模型是允许固定效应随随机效应的水平而变化的模型。 在我的研究中，我通常采用混合效应模型来分析来自多个人类参与者的实验数据。我将参与者建模为随机效应，将实验操作建模为固定效应。我认为先验的是让固定效果影响实验性能的程度因参与者而异。但是，我很难想象在什么情况下我不应该也不应该让固定效果随随机效果的水平而变化，所以我的问题是： 一个当应该不是允许固定效应跨越的随机效应水平变化？

16 mixed-model 

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 

我已经读过很多次了，随机效应（例如，对象的BLUP /条件模式）不是线性混合效应模型的参数，而是可以从估计的方差/协方差参数中得出的。例如Reinhold Kliegl等。（2011）状态： 随机效应是受试者与总体均值RT的偏差以及受试者与固定效应参数的偏差。假定它们是独立且均值为0的正态分布。重要的是要认识到，这些随机效应不是 LMM的参数-只有它们的方差和协方差才是。LMM参数与受试者的数据结合可用于为每个受试者生成随机效果的“预测”（条件模式）。 有人可以给出直观的解释，如何在不实际使用/估计随机效应的情况下估计随机效应的（协）方差参数吗？

15 mixed-model  intuition  blup 

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 

简历问题 我正在尝试给出混合效果模型的详细且简洁的数学表示。我lme4在R中使用该软件包。我的模型的正确数学表示是什么？ 数据，科学问题和R代码 我的数据集由不同地区的物种组成。我正在测试某个物种的流行率是否在导致灭绝（灭绝不一定是永久性的；它可以重新定殖）或定居之后的时间内发生变化。 lmer(prevalence ~ time + time:type + (1 + time + type:time | reg) + (1 + time + type:time | reg:spp)) 患病率是某个区域年份中某物种所占地层的比例 时间是一个连续变量，表示灭绝或定植的时间；它总是积极的 类型是具有两个级别的类别变量。这两个级别是“-”和“ +”。当type为-时，它是一个殖民化（默认级别）。当type为+时，表示灭绝。 Reg是具有9个级别的类别变量，表示区域 spp是分类变量；级别数因地区而异，在48级和144级之间变化。 换句话说：响应变量是患病率（占地层的比例）。固定效果包括1）和拦截，2）事件发生的时间以及3）事件发生的时间与事件类型（殖民化或灭绝）之间的相互作用。这3种固定效应中的每一种在区域之间随机变化。在一个区域内，每种效应在物种之间随机变化。 我试图弄清楚如何为模型编写数学方程式。我想我理解R代码中发生的事情（尽管，我确信我有一些知识空白，希望写出正式的数学表达式可以增进我的理解）。 我已经通过网络和这些论坛进行了很多搜索。可以肯定的是，我发现了大量有用的信息（也许我会在对此问题的编辑中链接到其中一些信息）。但是，我无法完全找到将R代码的“ Rosetta Stone”转换为数学公式（我对代码更满意）是否真的可以帮助我确认我正确理解了这些方程式。实际上，我知道已经存在一些差距，但是我们会解决的。 我的尝试 混合效应模型的基本形式，在矩阵表示法中为（我的理解）：Y=Xβ+Zγ+ϵY=Xβ+Zγ+ϵ Y = X \beta + Z \gamma + \epsilon γX=⎡⎣⎢⎢1⋮1Δt⋮ΔtnΔt+⋮Δt+,n⎤⎦⎥⎥X=[1ΔtΔt+⋮⋮⋮1ΔtnΔt+,n] X = …

15 r  mixed-model  multilevel-analysis  lme4-nlme 

在混合效应模型中，建议包括所有可能的水平（例如，男性和女性）时，使用固定效应来估计参数。如果所包含的水平只是人群中的随机样本（可能的患者中已入组的患者），并且您想估算人群的均值和方差而不是均值，则建议使用随机效应来解释变量各个因素水平。 我想知道您是否在逻辑上总是以这种方式使用固定效果。考虑一项关于脚/鞋的尺寸如何随着发育而变化并与身高，体重和年龄相关的研究。 Side小号一世dË{\rm Side}很显然，必须以某种方式将模型包括在模型中，以说明以下事实：多年来的测量值嵌套在给定的脚内并且不是独立的。此外，左右都是可能存在的所有可能性。另外，对于给定的参与者，他们的右脚大于（或小于）他们的左脚可能是非常正确的。但是，尽管所有人的脚之间的脚大小确实有所不同，但没有理由相信右脚平均会比左脚大。如果他们在您的样本中，那可能是由于您样本中的人的遗传因素所致，而不是右脚固有的原因。最后，sides一世dË{\rm side}似乎是多余参数，不是你真正关心的。 让我注意，我编造了这个示例。可能没有什么好处。只是为了传达想法。就我所知，要在古石器中生存，必须有一个大右脚和一个小左脚。 在这样的情况下，它将使（更多/更少/任何）感纳入sides一世dË{\rm side}模型作为随机效应？在这里使用固定效果与随机效果的利弊是什么？

15 mixed-model  random-effects-model  fixed-effects-model  many-categories 

排列检验（也称为随机检验，重新随机检验或精确检验）非常有用，并且在t-test未满足例如要求的正态分布的假设以及通过按等级对值进行转换时派上用场非参数测试之类的测试Mann-Whitney-U-test会导致丢失更多信息。但是，在使用这种检验时，一个假设且唯一一个假设应该是原假设下样本的可交换性假设。还值得注意的是，当有两个以上的示例（如在coinR包中实现的示例）时，也可以应用这种方法。 您能用简单的英语用一些比喻语言或概念直觉来说明这一假设吗？这对于在像我这样的非统计学家中阐明这个被忽视的问题非常有用。 注意： 提及在相同假设下应用置换测试不成立或无效的情况将非常有帮助。 更新： 假设我随机从我所在地区的当地诊所收集了50个受试者。他们被随机分配为接受药物或安慰剂的比例为1：1。分别Par1在V1（基准），V2（3个月后）和V3（1年后）时测量了参数1 。根据特征A，所有50个主题都可以分为2组；正值= 20，负值=30。它们也可以基于特征B细分为另外2组；B阳性= 15，B阴性=35。 现在，我具有Par1所有访问中所有受试者的值。在可交换性的假设下，如果可以，我是否可以在Par1使用置换测试的水平之间进行比较： -将接受药物治疗的受试者与接受V2安慰剂治疗的受试者进行比较？ -将具有特征A的对象与具有V2的特征B的对象进行比较？ -比较在V2具有特征A的对象与在V3具有特征A的对象？ -在哪种情况下，这种比较是无效的，并且违反了可交换性的假设？

15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

我对混合模型经常遇到的问题之一是弄清楚数据可视化效果-可能会出现在纸或海报上的数据可视化效果-一旦获得结果即可。 现在，我正在研究一个Poisson混合效果模型，其公式如下所示： a <- glmer(counts ~ X + Y + Time + (Y + Time | Site) + offset(log(people)) 有了glm（）中所装的东西，就可以轻松地使用predict（）来获取新数据集的预测，并以此为基础进行构建。但是，使用这样的输出-您如何构建从X偏移（可能设置为Y）随时间变化的速率图？我认为仅凭固定效果估算值就可以很好地预测拟合度，但是95％CI呢？ 还有其他人能想到的有助于可视化结果的东西吗？该模型的结果如下： Random effects: Groups Name Variance Std.Dev. Corr Site (Intercept) 5.3678e-01 0.7326513 time 2.4173e-05 0.0049167 0.250 Y 4.9378e-05 0.0070270 -0.911 0.172 Fixed effects: Estimate Std. Error z value Pr(>|z|) (Intercept) …

15 r  data-visualization  mixed-model 

我有一个关于在非线性模型中使用分组变量的问题。由于nls（）函数不允许使用因子变量，因此我一直在努力确定是否可以测试因子对模型拟合的影响。我在下面提供了一个示例，在该示例中，我希望将“季节性von Bertalanffy”生长模型拟合到不同的生长处理方法（最常用于鱼类生长）。我想测试鱼生长的湖以及所给食物的效果（仅是一个人工例子）。我对这个问题的解决方法很熟悉-应用F检验比较模型对汇总数据的拟合与Chen等人概述的单独拟合。（1992）（ARSS-“残差平方和的分析”）。换句话说，对于以下示例， 我想有一种使用nlme（）在R中执行此操作的简单方法，但是我遇到了问题。首先，通过使用分组变量，自由度高于我对单独模型的拟合所获得的自由度。其次，我无法嵌套分组变量-我看不出问题出在哪里。非常感谢使用nlme或其他方法的任何帮助。以下是我的人工示例的代码： ###seasonalized von Bertalanffy growth model soVBGF <- function(S.inf, k, age, age.0, age.s, c){ S.inf * (1-exp(-k*((age-age.0)+(c*sin(2*pi*(age-age.s))/2*pi)-(c*sin(2*pi*(age.0-age.s))/2*pi)))) } ###Make artificial data food <- c("corn", "corn", "wheat", "wheat") lake <- c("king", "queen", "king", "queen") #cornking, cornqueen, wheatking, wheatqueen S.inf <- c(140, 140, 130, 130) k <- c(0.5, 0.6, 0.8, …

15 r  mixed-model  nls 

我对混合效应模型（MEM）非常熟悉，但是一位同事最近问我如何将其与潜在增长模型（LGM）进行比较。我做了一些谷歌搜索，看来LGM是结构方程模型的一种变体，适用于在至少一个随机效应的每个级别内获得重复测量的情况，从而使时间成为模型中的固定效应。否则，MEM和LGM看起来很相似（例如，它们都允许探索不同的协方差结构等）。 我是否认为LGM在概念上是MEM的特例，还是两种方法在其假设或评估不同类型理论的能力方面存在差异？

15 mixed-model  panel-data 

我有一个实验，将在这里尝试进行抽象。想象一下，我在您面前扔了三块白色的石头，请您对它们的位置做出判断。我记录了宝石的各种特性以及您的反应。我在许多主题上都这样做。我生成两个模型。一个是离您最近的石头可以预测您的反应，另一个是石头的几何中心可以预测您的反应。因此，在RI中使用lmer可以编写。 mNear <- lmer(resp ~ nearest + (1|subject), REML = FALSE) mCenter <- lmer(resp ~ center + (1|subject), REML = FALSE) 更新和更改-更直接的版本，其中包含一些有用的注释 我可以尝试 anova(mNear, mCenter) 当然，这是不正确的，因为它们不是嵌套的，而且我不能真的那样比较它们。我期望anova.mer引发错误，但没有。但是我可以在这里尝试的嵌套并不是自然的，而且仍然使我缺乏分析性的陈述。当模型自然嵌套（例如线性二次）时，测试只是一种方法。但是在这种情况下，发现不对称意味着什么？ 例如，我可以建立一个模型三： mBoth <- lmer(resp ~ center + nearest + (1|subject), REML = FALSE) 然后，我可以进行方差分析。 anova(mCenter, mBoth) anova(mNearest, mBoth) 这样做很公平，现在我发现该中心增加了最近的效果（第二个命令），但当将最近的一个中心添加到中心时，BIC实际上上升了（简化了简约性）。这证实了所怀疑的。 但是找到足够了吗？当中心和最近位置高度相关时，这公平吗？ 当不是要添加和减去解释变量（自由度）时，是否有更好的方法来分析比较模型？

15 r  mixed-model  model-selection 

我想将lmer（really glmer）的输出与一个玩具二项式示例进行匹配。我读过小插曲，并相信自己了解发生了什么事。 但是显然我没有。卡住后，我根据随机效应固定了“真相”，然后单独估计了固定效应。我在下面包含此代码。要查看其合法性，您可以注释掉+ Z %*% b.k它，并将其与常规glm的结果匹配。我希望借用一些聪明才智来弄清楚为什么在包含随机效果的情况下我无法匹配lmer的输出。 # Setup - hard coding simple data set df <- data.frame(x1 = rep(c(1:5), 3), subject = sort(rep(c(1:3), 5))) df$subject <- factor(df$subject) # True coefficient values beta <- matrix(c(-3.3, 1), ncol = 1) # Intercept and slope, respectively u <- matrix(c(-.5, .6, .9), ncol = …

15 r  mixed-model  optimization  lme4-nlme