จะตีความค่าสัมประสิทธิ์ของตัวแบบผสมหลายตัวแปรใน lme4 โดยไม่มีการสกัดกั้นโดยรวมได้อย่างไร?


10

ฉันพยายามที่จะพอดีกับหลายตัวแปร (เช่นการตอบสนองหลาย) Rรูปแบบผสม นอกเหนือจากASReml-rและSabreRแพคเกจ (ซึ่งต้องใช้ซอฟต์แวร์ภายนอก) MCMCglmmดูเหมือนว่านี้เป็นเพียงที่เป็นไปได้ใน ในกระดาษที่มาพร้อมกับMCMCglmmแพคเกจ (pp.6) Jarrod Hadfield อธิบายกระบวนการของการปรับแบบจำลองให้เหมือนกับการปรับรูปแบบการตอบสนองของตัวแปรหลายตัวให้เป็นตัวแปรรูปแบบยาวหนึ่งตัวจากนั้นหยุดการสกัดกั้นโดยรวม ความเข้าใจของฉันคือการระงับการสกัดกั้นการเปลี่ยนแปลงการตีความค่าสัมประสิทธิ์สำหรับแต่ละระดับของตัวแปรตอบกลับให้เป็นค่าเฉลี่ยสำหรับระดับนั้น จากที่กล่าวมาจึงเป็นไปได้lme4หรือไม่ที่จะใช้โมเดลผสมหลายตัวแปรโดยใช้? ตัวอย่างเช่น:

data(mtcars)
library(reshape2)
mtcars <- melt(mtcars, measure.vars = c("drat", "mpg", "hp"))
library(lme4)
m1 <- lmer(value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)),
    data = mtcars)
summary(m1)
#  Linear mixed model fit by REML 
#  Formula: value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)) 
#     Data: mtcars 
#   AIC   BIC logLik deviance REMLdev
#   913 933.5 -448.5    920.2     897
#  Random effects:
#   Groups       Name        Variance Std.Dev.
#   factor(carb) (Intercept) 509.89   22.581  
#   Residual                 796.21   28.217  
#  Number of obs: 96, groups: factor(carb), 6
#  
#  Fixed effects:
#                    Estimate Std. Error t value
#  variabledrat:gear  -7.6411     4.4054  -1.734
#  variablempg:gear   -1.2401     4.4054  -0.281
#  variablehp:gear     0.7485     4.4054   0.170
#  variabledrat:carb   5.9783     4.7333   1.263
#  variablempg:carb    3.3779     4.7333   0.714
#  variablehp:carb    43.6594     4.7333   9.224

เราจะตีความสัมประสิทธิ์ในรุ่นนี้ได้อย่างไร วิธีนี้จะใช้ได้กับโมเดลเชิงเส้นผสมทั่วไปหรือไม่

คำตอบ:


2

ความคิดของคุณดี แต่ในตัวอย่างของคุณคุณลืมที่จะวางโมเดลการสกัดกั้นที่แตกต่างกันและความแปรปรวนแบบสุ่มที่แตกต่างกันสำหรับแต่ละคุณลักษณะดังนั้นผลลัพธ์ของคุณจะไม่สามารถตีความได้เช่นเดียวกับ รูปแบบที่ถูกต้องจะเป็น:

m1 <- lmer(value ~ -1 + variable + variable:gear + variable:carb + (0 + variable | factor(carb))

ในกรณีนั้นคุณจะได้รับการประมาณค่าผลกระทบคงที่ในแต่ละตัวแปร (ตัวอย่างเช่นvariabledrat:gearเป็นผลของการทำนายgearต่อการตอบสนองdrat) แต่คุณจะได้รับการสกัดกั้นสำหรับตัวแปรแต่ละตัว (เช่นvariabledratการสกัดกั้นการตอบสนองdrat) และการสุ่ม ความแปรปรวนของแต่ละตัวแปรและสหสัมพันธ์ระหว่างตัวแปร:

Groups       Name         Std.Dev. Corr     
 factor(carb) variabledrat 23.80             
              variablempg  24.27    0.20     
              variablehp   23.80    0.00 0.00
 Residual                  23.80       

รายละเอียดเพิ่มเติมเกี่ยวกับวิธีการเหล่านี้เขียนโดยBen Bolkerรวมถึงการใช้MCMCglmmในกรอบ Bayesian แพคเกจใหม่อีกแบบหนึ่งmcglmยังสามารถรองรับโมเดลหลายตัวแปรได้แม้จะมีการตอบสนองที่ไม่ปกติ แต่คุณต้องโค้ดเมทริกซ์การออกแบบแบบสุ่มของคุณ การสอนควรจะเปิดให้บริการเร็ว ๆ นี้ (ดูหน้าช่วยเหลือ R)

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.