มีความแตกต่างหลายประการระหว่างแบบจำลองการถดถอยเชิงเส้นและแบบไม่เชิงเส้น แต่แบบจำลองทางคณิตศาสตร์หลักคือแบบจำลองเชิงเส้นเป็นแบบเส้นตรงในพารามิเตอร์ในขณะที่แบบจำลองแบบไม่เชิงเส้นเป็นแบบไม่เชิงเส้นในพารามิเตอร์ Pinheiro และ Bates (2000, pp. 284-285) ผู้เขียนnlmeแพ็คเกจ R อธิบายอย่างมีนัยสำคัญถึงข้อควรพิจารณาที่สำคัญยิ่งกว่าในการเลือกแบบจำลอง:
เมื่อเลือกตัวแบบการถดถอยเพื่ออธิบายว่าตัวแปรตอบสนองนั้นแปรเปลี่ยนอย่างไรกับตัวแปรร่วมตัวแปรหนึ่งจะมีตัวเลือกในการใช้แบบจำลองเช่นแบบจำลองพหุนามซึ่งเป็นเส้นตรงในพารามิเตอร์ โดยการเพิ่มลำดับของแบบจำลองพหุนามหนึ่งสามารถได้รับการประมาณที่แม่นยำมากขึ้นกับความจริงฟังก์ชั่นการถดถอยปกติไม่เชิงเส้นภายในช่วงที่สังเกตของข้อมูล แบบจำลองเชิงประจักษ์เหล่านี้มีพื้นฐานอยู่บนความสัมพันธ์ที่สังเกตได้ระหว่างการตอบสนองและ covariates และไม่รวมถึงการพิจารณาเชิงทฤษฎีใด ๆ เกี่ยวกับกลไกพื้นฐานที่สร้างข้อมูล โมเดลที่ไม่ใช่เชิงเส้นในทางกลับกันมักจะเป็นกลไกเช่นตามแบบจำลองสำหรับกลไกที่สร้างการตอบสนอง ดังนั้นโมเดลพารามิเตอร์ในโมเดลที่ไม่เชิงเส้นโดยทั่วไปจะมีการตีความทางกายภาพตามธรรมชาติ แม้จะได้รับสังเกตุโมเดลที่ไม่เชิงเส้นมักจะรวมถึงลักษณะทางทฤษฎีที่รู้จักของข้อมูลเช่น asymptotes และ monotonicity และในกรณีเหล่านี้ถือได้ว่าเป็นแบบกึ่งกลไก แบบไม่เชิงเส้นโดยทั่วไปใช้พารามิเตอร์น้อยกว่าแบบจำลองเชิงเส้นของคู่แข่งเช่นพหุนามให้คำอธิบายที่ละเอียดยิ่งกว่าของข้อมูล แบบจำลองไม่เชิงเส้นยังให้การทำนายที่เชื่อถือได้มากขึ้นสำหรับตัวแปรตอบสนองนอกช่วงที่สังเกตของข้อมูลมากกว่าแบบจำลองพหุนาม ให้คำอธิบายที่ละเอียดยิ่งขึ้นเกี่ยวกับข้อมูล แบบจำลองไม่เชิงเส้นยังให้การทำนายที่เชื่อถือได้มากขึ้นสำหรับตัวแปรตอบสนองนอกช่วงที่สังเกตของข้อมูลมากกว่าแบบจำลองพหุนาม ให้คำอธิบายที่ละเอียดยิ่งขึ้นเกี่ยวกับข้อมูล แบบจำลองไม่เชิงเส้นยังให้การทำนายที่เชื่อถือได้มากขึ้นสำหรับตัวแปรตอบสนองนอกช่วงที่สังเกตของข้อมูลมากกว่าแบบจำลองพหุนาม
นอกจากนี้ยังมีความแตกต่างใหญ่ระหว่างแพคเกจ nlme และ lme4 ที่เหนือกว่าปัญหาความเป็นเส้นตรง ตัวอย่างเช่นการใช้ nlme คุณสามารถใส่โมเดลเชิงเส้นหรือไม่เชิงเส้นและสำหรับประเภทใดประเภทหนึ่งให้ระบุโครงสร้างความแปรปรวนและความสัมพันธ์สำหรับข้อผิดพลาดภายในกลุ่ม (เช่นอัตโนมัติ) lme4 ไม่สามารถทำได้ นอกจากนี้เอฟเฟกต์แบบสุ่มสามารถแก้ไขหรือข้ามในแพ็คเกจใดก็ได้ แต่มันง่ายกว่ามาก (และมีประสิทธิภาพมากขึ้นในการคำนวณ) เพื่อระบุและจำลองเอฟเฟกต์แบบสุ่มใน lme4
ฉันจะแนะนำให้พิจารณาก่อน a) ว่าคุณจะต้องใช้โมเดลที่ไม่ใช่เชิงเส้นหรือไม่และคุณต้องระบุความแปรปรวนภายในกลุ่มหรือโครงสร้างความสัมพันธ์ หากคำตอบใด ๆ เหล่านี้คือใช่คุณต้องใช้ nlme (เนื่องจากคุณกำลังใช้ R) หากคุณทำงานมากกับโมเดลเชิงเส้นตรงที่มีเอฟเฟกต์แบบสุ่มหรือการรวมเอฟเฟกต์แบบซ้อนและซ้อนที่ซับซ้อนแล้ว lme4 น่าจะเป็นตัวเลือกที่ดีกว่า คุณอาจต้องเรียนรู้ที่จะใช้ทั้งสองแพ็คเกจ ฉันเรียนรู้ lme4 ก่อนแล้วจึงรู้ว่าฉันต้องใช้ nlme เพราะฉันมักจะทำงานกับโครงสร้างข้อผิดพลาดอัตโนมัติ อย่างไรก็ตามฉันยังคงชอบ lme4 เมื่อฉันวิเคราะห์ข้อมูลจากการทดสอบด้วยปัจจัยหลายอย่าง ข่าวดีก็คือสิ่งที่ฉันเรียนรู้เกี่ยวกับ lme4 ถ่ายโอนไปยัง nlme ได้อย่างดีมาก ทั้งสองทาง
อ้างอิง
Pinheiro, JC, & Bates, DM (2000) รุ่นผสมผลกระทบใน S และ S-PLUS นิวยอร์ก: Springer-Verlag