คำถามติดแท็ก lme4-nlme

ฉันพยายามเข้าใจว่าควรใช้เอฟเฟกต์แบบสุ่มเมื่อใดและไม่จำเป็น ฉันถูกบอกแล้วว่ากฎง่ายๆคือถ้าคุณมี 4 คนขึ้นไป / กลุ่มที่ฉันทำ (15 ตัวมูซแต่ละตัว) กวางมูซเหล่านี้บางส่วนถูกทดลองใน 2 หรือ 3 ครั้งรวมเป็น 29 การทดลอง ฉันต้องการที่จะรู้ว่าพวกเขาทำงานแตกต่างกันเมื่อพวกเขาอยู่ในภูมิทัศน์ที่มีความเสี่ยงสูงกว่าไม่ ดังนั้นฉันคิดว่าฉันจะตั้งค่าบุคคลเป็นผลสุ่ม อย่างไรก็ตามตอนนี้ฉันถูกบอกว่าไม่จำเป็นต้องรวมบุคคลนั้นเป็นเอฟเฟกต์แบบสุ่มเพราะไม่มีการตอบสนองที่หลากหลาย สิ่งที่ฉันไม่สามารถหาได้คือวิธีการทดสอบว่ามีอะไรบางอย่างที่เป็นจริงเมื่อทำการตั้งค่าบุคคลให้เป็นเอฟเฟกต์แบบสุ่ม อาจเป็นคำถามเริ่มต้น: การทดสอบ / การวินิจฉัยใดที่ฉันสามารถทำได้เพื่อแยกแยะว่าปัจเจกบุคคลเป็นตัวแปรอธิบายที่ดีหรือไม่และควรเป็นผลคงที่ - แปลง qq หรือไม่ histograms? แผนการกระจาย? และสิ่งที่ฉันจะมองหาในรูปแบบเหล่านั้น ฉันวิ่งโมเดลโดยที่แต่ละคนเป็นเอฟเฟกต์แบบสุ่มและไม่มี แต่ฉันอ่านhttp://glmm.wikidot.com/faqโดยที่พวกเขาระบุว่า: อย่าเปรียบเทียบโมเดล lmer กับ lm ที่เหมาะสมหรือ glmer / glm; บันทึกความน่าจะเป็นไม่ได้เป็นไปตามความเหมาะสม (กล่าวคือมีเงื่อนไขเพิ่มเติมต่างกัน) และที่นี่ฉันถือว่านี่หมายความว่าคุณไม่สามารถเปรียบเทียบระหว่างแบบจำลองที่มีเอฟเฟกต์แบบสุ่มหรือแบบไม่มี แต่ฉันไม่รู้ว่าควรเปรียบเทียบอะไรกันแน่ ในโมเดลของฉันที่มีเอฟเฟกต์แบบสุ่มฉันก็พยายามที่จะดูผลลัพธ์เพื่อดูว่าหลักฐานหรือนัยสำคัญชนิดใดที่ RE มี lmer(Velocity ~ D.CPC.min …

34 mixed-model  lme4-nlme  random-effects-model  glmm 

ฉันต้องการติดตั้ง GLMM หลายระดับพร้อมการกระจายแบบปัวซอง (ด้วยการกระจายตัวมากเกินไป) โดยใช้ R ในขณะนี้ฉันกำลังใช้lme4แต่ฉันสังเกตเห็นว่าเมื่อเร็ว ๆ นี้quasipoissonครอบครัวถูกลบออก ฉันเคยเห็นที่อื่นว่าคุณสามารถสร้างแบบจำลองการกระจายตัวเกินสำหรับการแจกแจงทวินามโดยการเพิ่มการสกัดกั้นแบบสุ่มด้วยระดับหนึ่งต่อการสังเกต สิ่งนี้ใช้ได้กับการแจกแจงแบบปัวซองด้วยหรือไม่ มีวิธีที่ดีกว่าที่จะทำหรือไม่ มีแพ็คเกจอื่น ๆ ที่คุณอยากแนะนำอีกไหม?

32 r  mixed-model  poisson-distribution  lme4-nlme  overdispersion 

หวังว่านี่เป็นคำถามที่ใครบางคนที่นี่สามารถตอบสำหรับฉันเกี่ยวกับธรรมชาติของการสลายจำนวนสแควร์สจากรูปแบบเอฟเฟกต์ผสมกับlmer(จากแพ็คเกจ lme4 R) ก่อนอื่นฉันควรจะบอกว่าฉันรู้ถึงความขัดแย้งกับการใช้วิธีการนี้และในทางปฏิบัติฉันมีแนวโน้มที่จะใช้ bootstrapped LRT เพื่อเปรียบเทียบแบบจำลอง (ตามที่ Faraway, 2006 แนะนำ) อย่างไรก็ตามฉันสับสนในวิธีการทำซ้ำผลลัพธ์และเพื่อความมีสติของตัวเองฉันคิดว่าฉันจะถามที่นี่ โดยพื้นฐานแล้วฉันจะได้สัมผัสกับการใช้แบบจำลองเอฟเฟกต์ที่เหมาะสมกับlme4แพ็คเกจ ฉันรู้ว่าคุณสามารถใช้anova()คำสั่งเพื่อให้บทสรุปของการทดสอบผลกระทบคงที่ตามลำดับในรูปแบบ เท่าที่ฉันรู้ว่าสิ่งนี้คือสิ่งที่ Faraway (2006) อ้างถึงเป็นวิธีการ 'คาดหมายถึงกำลังสอง' สิ่งที่ฉันอยากรู้คือการคำนวณจำนวนเงินสแควร์สเป็นอย่างไร? ฉันรู้ว่าฉันสามารถนำค่าประมาณจากโมเดลเฉพาะ (โดยใช้coef()) สมมติว่าได้รับการแก้ไขแล้วทำการทดสอบโดยใช้ผลรวมของกำลังสองของเศษซากโมเดลที่มีและไม่มีปัจจัยที่น่าสนใจ นี่เป็นสิ่งที่ดีสำหรับโมเดลที่มีปัจจัยภายในเรื่องเดียว อย่างไรก็ตามเมื่อใช้การออกแบบการแยกส่วนผลบวกของค่ากำลังสองที่ฉันได้รับจะเท่ากับค่าที่ผลิตโดย R โดยใช้aov()การError()กำหนดที่เหมาะสม อย่างไรก็ตามนี่ไม่เหมือนกับผลบวกของกำลังสองที่สร้างโดยanova()คำสั่งบนวัตถุจำลองแม้ว่าข้อเท็จจริงที่ว่าอัตราส่วน F จะเหมือนกันก็ตาม ของหลักสูตรนี้เหมาะสมอย่างสมบูรณ์เนื่องจากไม่จำเป็นต้องมีError()ชั้นในรูปแบบผสม อย่างไรก็ตามนี่ต้องหมายความว่าผลรวมของกำลังสองจะถูกลงโทษในรูปแบบผสมเพื่อให้ได้อัตราส่วน F ที่เหมาะสม สิ่งนี้สำเร็จได้อย่างไร และรูปแบบอย่างไรแก้ไขผลรวมระหว่างพล็อตของสี่เหลี่ยม แต่ไม่แก้ไขผลรวมภายในพล็อตของสแควร์ เห็นได้ชัดว่านี่เป็นสิ่งที่จำเป็นสำหรับ ANOVA แบบแยกส่วนแบบคลาสสิกที่ทำได้โดยการกำหนดค่าความผิดพลาดต่างกันสำหรับเอฟเฟกต์ต่าง ๆ ดังนั้นโมเดลผสมเอฟเฟกต์จะอนุญาตได้อย่างไร โดยพื้นฐานแล้วฉันต้องการที่จะสามารถจำลองผลลัพธ์ที่ได้จากanova()คำสั่งที่ใช้กับวัตถุโมเดล lmer เพื่อตรวจสอบผลลัพธ์และความเข้าใจของฉันอย่างไรก็ตามในปัจจุบันฉันสามารถทำสิ่งนี้ได้สำหรับการออกแบบภายในเรื่องปกติ แต่ไม่ใช่สำหรับการแยก - พล็อตเรื่องการออกแบบและฉันไม่สามารถหาสาเหตุได้ในกรณีนี้ ตัวอย่างเช่น: library(faraway) …

30 r  anova  mixed-model  lme4-nlme 

ฉันสงสัยว่าถ้าใครสามารถทำให้ฉันเข้าใจถึงความแตกต่างในปัจจุบันระหว่างฟังก์ชั่นทั้งสองนี้ ฉันพบคำถามต่อไปนี้: วิธีการเลือกไลบรารี nlme หรือ lme4 R สำหรับโมเดลเอฟเฟกต์ผสม? แต่วันนั้นมาจากสองสามปีที่ผ่านมา นั่นคืออายุการใช้งานในแวดวงซอฟต์แวร์ คำถามเฉพาะของฉันคือ: มี (ยัง) โครงสร้างความสัมพันธ์ใด ๆlmeที่lmerไม่จัดการ? เป็นไปได้ / แนะนำให้ใช้lmerกับข้อมูลพาเนลหรือไม่ ขออภัยหากสิ่งเหล่านี้ค่อนข้างพื้นฐาน รายละเอียดเพิ่มเติมเล็กน้อย: ข้อมูลพาเนลคือที่ที่เรามีการวัดหลายรายการในบุคคลเดียวกัน ณ เวลาต่างๆ โดยทั่วไปฉันทำงานในบริบททางธุรกิจซึ่งคุณอาจมีข้อมูลสำหรับลูกค้าซ้ำ / ระยะยาวในช่วงหลายปีที่ผ่านมา เราต้องการอนุญาตให้มีการเปลี่ยนแปลงเมื่อเวลาผ่านไป แต่การปรับตัวแปรดัมมี่ให้ชัดเจนสำหรับแต่ละเดือนหรือปีนั้นไม่มีประสิทธิภาพ อย่างไรก็ตามฉันไม่แน่ใจว่าlmerเป็นเครื่องมือที่เหมาะสมสำหรับข้อมูลประเภทนี้หรือไม่หรือว่าฉันต้องการโครงสร้างความสัมพันธ์อัตโนมัติที่lmeมี

30 r  mixed-model  lme4-nlme 

ฉันต้องการรับค่า p และขนาดผลกระทบของตัวแปรเด็ดขาดแบบอิสระ (มีหลายระดับ) - นั่นคือ "โดยรวม" และไม่ใช่สำหรับแต่ละระดับแยกกันเช่นเดียวกับเอาต์พุตปกติจากlme4ในอาร์มันเป็นเหมือน สิ่งที่ผู้คนรายงานเมื่อใช้ ANOVA ฉันจะได้รับสิ่งนี้ได้อย่างไร

28 r  hypothesis-testing  anova  mixed-model  lme4-nlme 

ในโมเดลหลายระดับสิ่งที่เกี่ยวข้องกับการตีความและการตีความของการประมาณค่ากับความสัมพันธ์ของผลกระทบแบบสุ่มที่ไม่ประมาณค่าคืออะไร เหตุผลในทางปฏิบัติสำหรับการถามสิ่งนี้คือในกรอบ lmer ใน R ไม่มีวิธีการดำเนินการสำหรับการประเมินค่า p ผ่านเทคนิค MCMC เมื่อมีการประมาณการในรูปแบบของความสัมพันธ์ระหว่างพารามิเตอร์ ตัวอย่างเช่นเมื่อดูตัวอย่างนี้ (ส่วนที่ยกมาด้านล่าง) อะไรคือความหมายเชิงปฏิบัติของ M2 กับ M3 เห็นได้ชัดว่าในกรณีหนึ่ง P5 จะไม่ถูกประมาณและอีกอันจะเป็นเช่นนั้น คำถาม ด้วยเหตุผลเชิงปฏิบัติ (ความปรารถนาที่จะได้รับค่า p ผ่านเทคนิค MCMC) เราอาจต้องการแบบจำลองที่ไม่มีความสัมพันธ์ระหว่างเอฟเฟกต์แบบสุ่มแม้ว่า P5 นั้นจะไม่ใช่ศูนย์ก็ตาม หากมีสิ่งนี้แล้วประมาณค่า p ผ่านเทคนิค MCMC ผลลัพธ์ที่ตีความได้คืออะไร? (ฉันรู้ @ Ben Bolker ได้กล่าวถึงก่อนหน้านี้ว่า"การรวมการทดสอบอย่างมีนัยสำคัญกับ MCMC เป็นไม่ต่อเนื่องกันนิด ๆ หน่อย ๆ สถิติแม้ว่าผมเข้าใจกระตุ้นที่จะทำเช่นนั้น (รับช่วงความเชื่อมั่นเป็นที่ค้ำเพิ่มเติม)"ดังนั้นถ้ามันจะทำให้คุณนอนหลับดีขึ้น ในตอนกลางคืนแกล้งทำเป็นว่าฉันมั่นใจช่วงเวลา) หากไม่สามารถประมาณ P5 นั่นคือสิ่งเดียวกันกับที่ยืนยันว่าเป็น 0 …

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

เนื่องจากฉันทามติทั่วไปดูเหมือนว่าจะใช้ตัวแบบผสมผ่านทางlmer()ใน R แทน ANOVA แบบคลาสสิก (ด้วยเหตุผลที่อ้างถึงบ่อยครั้งเช่นการออกแบบที่ไม่สมดุลการข้ามเอฟเฟกต์แบบสุ่มเป็นต้น) ฉันต้องการลองกับข้อมูลของฉัน อย่างไรก็ตามฉันกังวลว่าฉันจะสามารถ "ขาย" วิธีการนี้ให้กับหัวหน้างานของฉัน (ซึ่งคาดว่าการวิเคราะห์แบบดั้งเดิมด้วยค่า p ในท้ายที่สุด) หรือในภายหลังกับผู้ตรวจสอบ คุณสามารถแนะนำตัวอย่างที่ดีของบทความที่ตีพิมพ์ที่ใช้แบบจำลองผสมหรือlmer()สำหรับการออกแบบที่แตกต่างกันเช่นมาตรการซ้ำ ๆ หรือหลายแบบภายในและระหว่างเรื่องสำหรับชีววิทยาภาคสนามจิตวิทยาการแพทย์

27 r  mixed-model  repeated-measures  lme4-nlme  references 

ฉันใช้ AIC (เกณฑ์ข้อมูลของ Akaike) เพื่อเปรียบเทียบแบบจำลองที่ไม่ใช่เชิงเส้นใน R มันถูกต้องหรือไม่ที่จะเปรียบเทียบ AIC ของแบบจำลองชนิดต่าง ๆ ? โดยเฉพาะฉันกำลังเปรียบเทียบแบบจำลองที่ติดตั้งโดย glm กับแบบจำลองที่มีระยะเอฟเฟกต์แบบสุ่มติดตั้งโดย glmer (lme4) ถ้าไม่มีวิธีการเปรียบเทียบเช่นนี้สามารถทำได้หรือไม่? หรือความคิดที่ไม่ถูกต้องสมบูรณ์?

27 lme4-nlme  model-selection  aic 

ปัญหา: ฉันได้อ่านในโพสต์อื่น ๆซึ่งpredictไม่สามารถใช้ได้กับเอ็ฟเฟ็กต์แบบผสมlmer{lme4} ใน [R] ฉันพยายามสำรวจเรื่องนี้ด้วยชุดของเล่น ... พื้นหลัง: ชุดข้อมูลถูกดัดแปลงจากแหล่งที่มานี้และมีให้ในรูปแบบ ... require(gsheet) data <- read.csv(text = gsheet2text('https://docs.google.com/spreadsheets/d/1QgtDcGJebyfW7TJsB8n6rAmsyAnlz1xkT3RuPFICTdk/edit?usp=sharing', format ='csv')) นี่คือแถวและส่วนหัวแรก: > head(data) Subject Auditorium Education Time Emotion Caffeine Recall 1 Jim A HS 0 Negative 95 125.80 2 Jim A HS 0 Neutral 86 123.60 3 Jim A HS 0 Positive …

27 r  mixed-model  lme4-nlme 

ฉันมีผลลัพธ์ต่อไปนี้: Generalized linear mixed model fit by the Laplace approximation Formula: aph.remain ~ sMFS2 +sAG2 +sSHDI2 +sbare +season +crop +(1|landscape) AIC BIC logLik deviance 4062 4093 -2022 4044 Random effects: Groups Name Variance Std.Dev. landscape (Intercept) 0.82453 0.90804 Number of obs: 239, groups: landscape, 45 Fixed effects: Estimate Std. Error …

26 mixed-model  poisson-distribution  lme4-nlme 

ฉันได้กำจัดเว็บไซต์ช่วยเหลือจำนวนมากและยังคงสับสนเกี่ยวกับวิธีระบุคำซ้อนที่ซับซ้อนมากขึ้นในรูปแบบผสมเช่นกัน นอกจากนี้ผมยังสับสนกับการใช้งานของ:และ/และ|ในการระบุการมีปฏิสัมพันธ์และทำรังที่มีปัจจัยสุ่มใช้lmer()ในแพคเกจในlme4R สำหรับจุดประสงค์ของคำถามนี้สมมติว่าฉันได้แสดงข้อมูลของฉันอย่างถูกต้องด้วยโมเดลสถิติมาตรฐานนี้: ได้รับการแก้ไขและเป็นแบบสุ่ม เป็น (โดยปริยาย) ซ้อนกันภายในYฉันj k= u + สถานีผม+ พ่วงj ( i )+ วันk+ ( สถานี× วัน)ฉันk+ ( พ่วง× วัน)j ( i ) kYผมJk=ยู+สถานีผม+พ่วงJ(ผม)+วันk+(สถานี×วัน)ผมk+(พ่วง×วัน)J(ผม)k Y_{ijk} = u + \text{station}_i + \text{tow}_{j(i)} + \text{day}_k + (\text{station}\times \text{day})_{ik} + (\text{tow}\times\text{day})_{j(i)k} stationtowdayTowstation ฉันหวังว่าแบบจำลองของฉันจะรวม Station (i, fixed), Tow (j, random, ซ้อนกันโดยนัยภายใน Station), …

26 r  mixed-model  lme4-nlme 

ใบเสนอราคาบล็อกด้านล่างจากผู้นำในฟิลด์ของการสร้างแบบจำลองเอฟเฟกต์แบบผสมอ้างว่าประสานงานการเปลี่ยนแปลงในแบบจำลองโดยไม่มีสหสัมพันธ์ระหว่างผลแบบสุ่ม (โมเดล 'ZCP') เปลี่ยนการทำนายแบบจำลอง แต่ใครบางคนสามารถอธิบายรายละเอียดเพิ่มเติมหรือปรับการเรียกร้องของพวกเขา? งบในคำถามจากเบตส์ et al, ของ 2015 กระดาษlme4, ฟิตติ้งเชิงเส้นผสมผลกระทบรุ่นใช้ lme4 , หน้า 7 วรรคสอง ( ลิงค์ดาวน์โหลด ) \newcommand{\slope}{\text{slope}} \newcommand{\int}{\text{int}} \newcommand{\intercept}{\text{intercept}} นี่คือการถอดความสิ่งที่พวกเขาเขียน: แม้ว่าตัวแบบพารามิเตอร์ความสัมพันธ์แบบศูนย์จะใช้ในการลดความซับซ้อนของแบบจำลองความชันแบบสุ่ม แบบจำลองที่ความลาดชันและจุดตัดขวางได้รับอนุญาตให้มีความสัมพันธ์ที่ไม่เป็นศูนย์นั้นไม่แปรเปลี่ยนไปจากการเปลี่ยนแปลงแบบเสริมของตัวทำนายอย่างต่อเนื่อง ความไม่แปรเปลี่ยนนี้จะหยุดลงเมื่อความสัมพันธ์ถูก จำกัด ให้เป็นศูนย์ การเปลี่ยนแปลงใด ๆ ในตัวทำนายจะจำเป็นต้องนำไปสู่การเปลี่ยนแปลงในความสัมพันธ์โดยประมาณและในโอกาสและการทำนายของแบบจำลอง 1ตัวอย่างเช่นเราสามารถขจัดความสัมพันธ์ในFM1เพียงโดยการขยับวัน [ทำนายที่มาพร้อมกับslopeslope\slope ] ตามจำนวนเงินที่เท่ากับอัตราส่วนของประมาณการหมู่-เรื่องค่าเบี่ยงเบนมาตรฐานคูณด้วยความสัมพันธ์โดยประมาณคือ2 , ρslope:intercept×σslopeσinterceptρslope:intercept×σslopeσintercept\rho_{\slope:\intercept}\times\frac{\sigma_{\slope}}{\sigma_{\intercept}} การใช้แบบจำลองดังกล่าวควรถูก จำกัด ในกรณีที่ตัวทำนายถูกวัดในอัตราส่วนสเกล (กล่าวคือจุดศูนย์บนสเกลนั้นมีความหมายไม่ใช่เฉพาะตำแหน่งที่กำหนดโดยความสะดวกสบายหรือแบบแผน) คำถาม: หมายเลขตามตัวยกด้านบน ... ฉันสามารถเห็นได้ว่าการเปลี่ยนแปลงใด ๆ ในระบบพิกัดซึ่งตัวทำนายถูกวัดจะนำไปสู่การเปลี่ยนแปลงของความสัมพันธ์โดยประมาณซึ่งนำไปสู่ความสัมพันธ์ที่ไม่เป็นศูนย์ สิ่งนี้สนับสนุนคำแถลงว่าแบบจำลองพารามิเตอร์ศูนย์ความสัมพันธ์ไม่คงที่ภายใต้การเปลี่ยนแปลงในระบบพิกัดทำนายและดังนั้นรูปแบบใด ๆ …

25 r  mixed-model  lme4-nlme 

lmerTestแพคเกจให้anova()ฟังก์ชั่นหลากหลายรูปแบบเชิงเส้นที่มีตัวเลือกประมาณ Satterthwaite ของ (เริ่มต้น) หรือ Kenward-Roger ขององศาอิสระ (DF) ความแตกต่างระหว่างสองแนวทางนี้คืออะไร? เลือกได้เมื่อใด

25 r  anova  mixed-model  lme4-nlme  degrees-of-freedom 

ฉันกำลังใช้โมเดลเชิงเส้นเชิงเส้นผสม ฉันใช้แพ็คเกจ "lme4" ใน R แบบจำลองของฉันอยู่ในรูปแบบ: model <- lmer(response ~ predictor1 + predictor2 + (1 | random effect)) ก่อนใช้แบบจำลองของฉันฉันตรวจสอบความเป็นไปได้หลายทางระหว่างตัวทำนาย ฉันทำสิ่งนี้โดย: ทำดาต้าเฟรมของเครื่องทำนาย dummy_df <- data.frame(predictor1, predictor2) ใช้ฟังก์ชัน "cor" เพื่อคำนวณความสัมพันธ์ของ Pearson ระหว่างตัวทำนาย correl_dummy_df <- round(cor(dummy_df, use = "pair"), 2) หาก "correl_dummy_df" มากกว่า 0.80 แล้วฉันตัดสินใจว่าตัวทำนาย 1 และทำนาย 2 มีความสัมพันธ์สูงเกินไปและไม่รวมอยู่ในแบบจำลองของฉัน ในการอ่านหนังสือบางส่วนจะมีวิธีที่เป็นไปได้มากกว่าในการตรวจสอบความหลากหลายของสี ใครมีคำแนะนำเกี่ยวกับเรื่องนี้หรือไม่? "Variance Inflation …

25 r  correlation  mixed-model  lme4-nlme  multicollinearity 

ฉันวิ่งออกแบบซ้ำโดยที่ฉันทดสอบชาย 30 คนและหญิง 30 คนในภารกิจที่แตกต่างกันสามงาน ฉันต้องการที่จะเข้าใจว่าพฤติกรรมของชายและหญิงนั้นแตกต่างกันอย่างไรและขึ้นอยู่กับงานนั้นอย่างไร ฉันใช้ทั้งแพคเกจ lmer และ lme4 เพื่อตรวจสอบเรื่องนี้อย่างไรก็ตามฉันพยายามตรวจสอบสมมติฐานของทั้งสองวิธี รหัสที่ฉันเรียกใช้คือ lm.full <- lmer(behaviour ~ task*sex + (1|ID/task), REML=FALSE, data=dat) lm.full2 <-lme(behaviour ~ task*sex, random = ~ 1|ID/task, method="ML", data=dat) ฉันตรวจสอบว่าการโต้ตอบเป็นแบบจำลองที่ดีที่สุดโดยเปรียบเทียบกับแบบจำลองที่ง่ายกว่าโดยไม่มีการโต้ตอบและเรียกใช้ anova หรือไม่: lm.base1 <- lmer(behaviour ~ task+sex+(1|ID/task), REML=FALSE, data=dat) lm.base2 <- lme(behaviour ~ task+sex, random= ~1|ID/task), method="ML", data=dat) …

25 r  mixed-model  assumptions  lme4-nlme