คำถามติดแท็ก mixed-model

mgcvแพคเกจสำหรับการRมีสองฟังก์ชั่นสำหรับการปฏิสัมพันธ์กระชับเมตริกซ์ผลิตภัณฑ์: และte() ti()ฉันเข้าใจการแบ่งขั้นพื้นฐานของการใช้แรงงานระหว่างคนทั้งสอง (ปรับให้เหมาะสมกับการทำงานแบบไม่เป็นเชิงเส้นเปรียบเทียบกับการย่อยสลายการโต้ตอบนี้เป็นผลกระทบหลักและการโต้ตอบ) สิ่งที่ฉันไม่เข้าใจคือสาเหตุte(x1, x2)และti(x1) + ti(x2) + ti(x1, x2)อาจให้ผลลัพธ์ที่แตกต่าง (เล็กน้อย) MWE (ดัดแปลงมาจาก?ti): require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

ฉันกำลังทำงานกับชุดข้อมูลเพื่อประเมินผลกระทบของการทำแห้งต่อกิจกรรมของจุลินทรีย์ในตะกอน มีวัตถุประสงค์เพื่อตรวจสอบว่าผลกระทบของการอบแห้งแตกต่างกันไปตามประเภทของตะกอนและ / หรือความลึกภายในตะกอนหรือไม่ การออกแบบการทดลองมีดังนี้: ตะกอนปัจจัยแรกสอดคล้องกับตะกอนสามประเภท (รหัส Sed1, Sed2, Sed3) สำหรับตะกอนแต่ละประเภทการสุ่มตัวอย่างดำเนินการในสามไซต์ (3 ไซต์สำหรับ Sed1, 3 ไซต์สำหรับ Sed2, 3 ไซต์สำหรับ Sed3) มีการเข้ารหัสเว็บไซต์ : ไซต์ 1, ไซต์ 2, ... , ไซต์ 9 ปัจจัยต่อไปคืออุทกวิทยา : ภายในแต่ละไซต์ทำการสุ่มตัวอย่างในพื้นที่แห้งและในแปลงเปียก (แปลงแห้ง / เปียก) ภายในแต่ละพล็อตก่อนหน้าการสุ่มตัวอย่างจะดำเนินการที่สองความลึก (D1, D2) เป็นสามเท่า มีทั้งหมด n = 108 ตัวอย่าง = 3 ตะกอน * 3 …

11 mixed-model  interaction  post-hoc  lme4-nlme 

ฉันพยายามสร้างการทดสอบการโต้ตอบหลายครั้งระหว่างมาตรการทั้งสองlmและlmerมาตรการซ้ำ (2x2x2) เหตุผลที่ฉันต้องการเปรียบเทียบทั้งสองวิธีนี้เป็นเพราะ GLM ของ SPSS สำหรับการวัดซ้ำ ๆ ทำให้ได้ผลลัพธ์ที่เหมือนกันกับlmวิธีที่นำเสนอที่นี่ดังนั้นในตอนท้ายฉันต้องการเปรียบเทียบ SPSS กับ R-lmer จนถึงตอนนี้ฉันทำได้แค่ทำซ้ำ (อย่างใกล้ชิด) ปฏิสัมพันธ์บางอย่าง คุณจะพบสคริปต์ด้านล่างเพื่อแสดงจุดของฉันให้ดีขึ้น: library(data.table) library(tidyr) library(lmerTest) library(MASS) set.seed(1) N <- 100 # number of subjects sigma <- 1 # popuplation sd rho <- .6 # correlation between variables # X1: a a a a b b b …

10 anova  mixed-model  lme4-nlme  repeated-measures  lm 

ฉันกำลังพยายามคำนวณการทำนายผลแบบสุ่มจากแบบจำลองเชิงเส้นผสมด้วยมือและการใช้สัญกรณ์ของ Wood ในแบบจำลองการเติมทั่วไป: การแนะนำด้วย R (pg 294 / pg 307 ของ pdf) ฉันสับสนกับสิ่งที่แต่ละพารามิเตอร์ หมายถึง ด้านล่างนี้เป็นบทสรุปจากไม้ กำหนดรูปแบบผสมเชิงเส้น Y=Xβ+Zb+ϵY=Xβ+Zb+ϵ Y = X\beta + Zb + \epsilon โดยที่ b N (0, ψ ) และϵ ∼ N (0, σ 2 )∼∼\simψψ\psiϵ∼ϵ∼\epsilon \simσ2σ2\sigma^{2} ถ้า b และ y เป็นตัวแปรสุ่มที่มีการแจกแจงปกติร่วม [by]∼N[[0Xβ],[ψΣybΣbyΣθσ2]][by]∼N[[0Xβ],[ψΣbyΣybΣθσ2]]\begin{align*} \begin{bmatrix} b\\ y \end{bmatrix} &\sim N …

10 mixed-model  lme4-nlme 

ในฐานะที่เป็นคู่ของโพสต์นี้ฉันทำงานเกี่ยวกับการจำลองข้อมูลที่มีตัวแปรต่อเนื่องให้ยืมตัวเองเพื่อดักความสัมพันธ์และความลาดชัน แม้ว่าจะมีโพสต์ที่ยอดเยี่ยมเกี่ยวกับหัวข้อนี้ในเว็บไซต์และนอกไซต์แต่ฉันมีปัญหาในการหาตัวอย่างตั้งแต่ต้นจนจบด้วยข้อมูลจำลองที่ขนานกับสถานการณ์ในชีวิตจริงที่เรียบง่าย ดังนั้นคำถามคือวิธีการจำลองข้อมูลเหล่านี้และการทดสอบ "" lmerมันด้วย ไม่มีอะไรใหม่สำหรับหลาย ๆ คน แต่อาจเป็นประโยชน์สำหรับคนอื่น ๆ ที่ค้นหาเพื่อทำความเข้าใจกับโมเดลที่หลากหลาย

10 regression  mixed-model  lme4-nlme 

ในlmerฟังก์ชั่นภายในlme4ในRมีการเรียกร้องให้สร้างเมทริกซ์รูปแบบของผลกระทบสุ่มตามที่อธิบายไว้ที่นี่ , หน้า 7-9ZZZ คำนวณ entails KhatriRao และ / หรือผลิตภัณฑ์ Kronecker สองเมทริกซ์และx_i J i X iZZZJผมJผมJ_iXผมXผมX_i เมทริกซ์เป็นคำหนึ่ง: "เมทริกซ์ตัวบ่งชี้ของดัชนีปัจจัยการจัดกลุ่ม" แต่ดูเหมือนว่าจะเป็นเมทริกซ์เบาบางที่มีการเข้ารหัสแบบดัมมี่เพื่อเลือกหน่วย (ตัวอย่างเช่นอาสาสมัครในการวัดซ้ำ) ที่สอดคล้องกับระดับลำดับขั้นสูง การสังเกตใด ๆ เมทริกซ์ที่ดูเหมือนว่าจะทำหน้าที่เป็นตัวเลือกของการวัดในระดับที่ต่ำกว่าลำดับชั้นเพื่อให้การรวมกันของทั้งสอง "เตอร์" จะให้ผลผลิตเมทริกซ์,ของแบบฟอร์มแสดงในกระดาษผ่านตัวอย่างต่อไปนี้:X i Z iJผมJผมJ_iXผมXผมX_iZผมZผมZ_i (f<-gl(3,2)) [1] 1 1 2 2 3 3 Levels: 1 2 3 (Ji<-t(as(f,Class="sparseMatrix"))) 6 x 3 sparse Matrix of class "dgCMatrix" …

10 r  mixed-model  lme4-nlme  matrix 

ฉันกำลังทำการทดสอบแบบโพสต์เฉพาะกิจในโมเดลผสมผลกระทบเชิงเส้นในR( lme4แพ็คเกจ) ฉันใช้multcompแพคเกจ ( glht()ฟังก์ชั่น) เพื่อทำการทดสอบหลังการทำงาน การออกแบบการทดลองของฉันคือการวัดซ้ำพร้อมเอฟเฟกต์บล็อกแบบสุ่ม รูปแบบที่ระบุไว้เป็น: mymod <- lmer(variable ~ treatment * time + (1|block), data = mydata, REML = TRUE) แทนที่จะแนบข้อมูลของฉันที่นี่ฉันกำลังทำงานของข้อมูลที่เรียกว่าwarpbreaksภายในmultcompแพ็คเกจ data <- warpbreaks warpbreaks$rand <- NA ฉันได้เพิ่มตัวแปรสุ่มพิเศษเพื่อเลียนแบบเอฟเฟกต์ "บล็อก" ของฉัน: warpbreaks$rand <- rep(c("foo", "bar", "bee"), nrow(warpbreaks)/3) นี่เป็นการเลียนแบบโมเดลของฉัน: mod <- lmer(breaks ~ tension * wool + (1|rand), data …

10 mixed-model  post-hoc  lsmeans  lme4-nlme 

ให้สามตัวแปรyและxซึ่งเป็นบวกอย่างต่อเนื่องและzซึ่งเป็นเด็ดขาดฉันมีสองรูปแบบผู้สมัครที่กำหนดโดย: fit.me <- lmer( y ~ 1 + x + ( 1 + x | factor(z) ) ) และ fit.fe <- lm( y ~ 1 + x ) ฉันหวังว่าจะเปรียบเทียบแบบจำลองเหล่านี้เพื่อพิจารณาว่าแบบจำลองใดเหมาะสมกว่า ดูเหมือนว่าผมว่าในความรู้สึกบางอย่างฝังอยู่ในfit.fe fit.meโดยทั่วไปเมื่อสถานการณ์ทั่วไปนี้มีการทดสอบแบบไคสแควร์สามารถทำได้ ในRเราสามารถทำการทดสอบนี้ด้วยคำสั่งดังต่อไปนี้ anova(fit.fe,fit.me) เมื่อทั้งสองรุ่นมีเอฟเฟกต์แบบสุ่ม (สร้างโดยlmerจากlme4แพ็คเกจ) anova()คำสั่งทำงานได้ดี เนื่องจากโดยทั่วไปแล้วจะแนะนำให้ทดสอบสถิติ Chi-Square ผ่านการจำลองอย่างไรก็ตามเรายังสามารถใช้สถิติในขั้นตอนการจำลองได้ เมื่อทั้งสองรุ่นมีเอฟเฟกต์ถาวรเท่านั้นวิธีการนี้ --- และanova()คำสั่งที่เกี่ยวข้อง--- ทำงานได้ดี แต่เมื่อรุ่นหนึ่งที่มีผลกระทบสุ่มและรูปแบบที่ลดลงมีเพียงผลกระทบคงที่ในขณะที่สถานการณ์ข้างต้นanova()คำสั่งไม่ทำงาน โดยเฉพาะอย่างยิ่งฉันได้รับข้อผิดพลาดต่อไปนี้: > anova(fit.fe, fit.me) Error: $ …

10 r  hypothesis-testing  mixed-model  lme4-nlme 

ก่อนที่จะถามคำถามนี้ผมค้นหาเว็บไซต์ของเราและพบมากคำถามที่คล้ายกัน (เช่นที่นี่ , ที่นี่และที่นี่ ) แต่ฉันรู้สึกว่าคำถามที่เกี่ยวข้องนั้นไม่ได้รับการตอบสนองหรือพูดคุยอย่างดีดังนั้นจึงอยากจะถามคำถามนี้อีกครั้ง ฉันรู้สึกว่าควรมีผู้ชมจำนวนมากที่ต้องการอธิบายคำถามประเภทนี้อย่างชัดเจนยิ่งขึ้น สำหรับคำถามของฉันก่อนอื่นให้ลองพิจารณาโมเดลผสมผลกระทบเชิงเส้น โดยที่เป็นองค์ประกอบผลกระทบเชิงเส้นคงที่\ mathbf {Z}เป็นเมทริกซ์ออกแบบเพิ่มเติมที่สอดคล้องกันพารามิเตอร์สุ่มผล , \ boldsymbol \ และ\ boldsymbol \ epsilon \ \ sim \ N (\ mathbf {0, \ sigma ^ 2 I})เป็นข้อผิดพลาดทั่วไป X βy = X β + Z γ+ ϵY=Xβ+Zγ+ε \mathbf{y = X\boldsymbol \beta + Z \boldsymbol \gamma + …

10 mixed-model  residuals  heteroscedasticity  diagnostic 

ฉันมีโมเดลต่อไปนี้ที่m_plotมีเอlme4::lmerฟเฟ็กต์แบบสุ่มข้ามสำหรับผู้เข้าร่วม ( lfdn) และรายการ ( content): Random effects: Groups Name Variance Std.Dev. Corr lfdn (Intercept) 172.173 13.121 role1 62.351 7.896 0.03 inference1 24.640 4.964 0.08 -0.30 inference2 52.366 7.236 -0.05 0.17 -0.83 inference3 21.295 4.615 -0.03 0.22 0.86 -0.77 content (Intercept) 23.872 4.886 role1 2.497 1.580 -1.00 inference1 18.929 4.351 …

10 mixed-model  lme4-nlme  intraclass-correlation 

ฉันกำลังวิเคราะห์ผลลัพธ์ของการทดสอบเวลาตอบสนองใน R ฉันใช้มาตรการ ANOVA ซ้ำหลายครั้ง (1 ปัจจัยภายในเรื่องที่มี 2 ระดับและ 1 ระหว่างปัจจัยหัวเรื่องกับ 2 ระดับ) ฉันวิ่งคล้ายรูปแบบผสมเชิงเส้นและผมอยากจะสรุปผลการ lmer lmerTest::anovaในรูปแบบของตารางโดยใช้การวิเคราะห์ความแปรปรวน อย่าเข้าใจฉันผิด: ฉันไม่ได้คาดหวังผลลัพธ์ที่เหมือนกัน แต่ฉันไม่แน่ใจเกี่ยวกับระดับของเสรีภาพในlmerTest::anovaผลลัพธ์ สำหรับฉันแล้วมันค่อนข้างสะท้อนถึง ANOVA ที่ไม่มีการรวมกลุ่มวิชา ผมตระหนักถึงความจริงที่ว่าการคำนวณองศาอิสระในรูปแบบผสมผลเป็นเรื่องยุ่งยาก แต่lmerTest::anovaเป็นที่กล่าวถึงเป็นวิธีแก้ปัญหาที่เป็นไปได้ในการปรับปรุง?pvaluesหัวข้อ ( lme4แพคเกจ) การคำนวณนี้ถูกต้องหรือไม่ ผลลัพธ์ของการlmerTest::anovaสะท้อนรุ่นที่ระบุถูกต้องหรือไม่ ปรับปรุง:ฉันทำให้ความแตกต่างของแต่ละบุคคลมีขนาดใหญ่ขึ้น องศาความอิสระlmerTest::anovaนั้นแตกต่างจากโนวาแบบง่าย ๆ แต่ฉันก็ยังไม่แน่ใจว่าทำไมพวกเขาถึงมีขนาดใหญ่มากสำหรับปัจจัย / การโต้ตอบภายใน # mini example with ANT dataset from ez package library(ez); library(lme4); library(lmerTest) # repeated measures ANOVA …

10 anova  mixed-model  repeated-measures  lme4-nlme  degrees-of-freedom 

ในรูปแบบผสมเราถือว่าผลกระทบแบบสุ่ม (พารามิเตอร์) เป็นตัวแปรสุ่มที่เป็นไปตามการแจกแจงปกติ มันดูคล้ายกับวิธีเบย์ซึ่งมีการสันนิษฐานว่าพารามิเตอร์ทั้งหมดเป็นแบบสุ่ม ดังนั้นแบบจำลองลักษณะพิเศษแบบสุ่มของกรณีพิเศษของวิธีการแบบเบย์?

10 bayesian  mixed-model 

มีหลายเธรดใน R-sig-ME เกี่ยวกับการได้รับช่วงความเชื่อมั่นสำหรับการทำนายโดยใช้lme4และnlmeในอาร์ตัวอย่างเช่นที่นี่และที่นี่ในปี 2010 รวมถึงคำอธิบายของ Dougals Bates ซึ่งเป็นหนึ่งในผู้เขียนของทั้งสองแพคเกจ ฉันลังเลที่จะพูดคำต่อคำเพราะเขากลัวว่าพวกเขาจะถูกนำออกไปจากบริบท แต่อย่างไรก็ตามความคิดเห็นหนึ่งที่เขาทำคือ "คุณกำลังรวมพารามิเตอร์และตัวแปรสุ่มเข้ากับการคาดการณ์ของคุณและฉันไม่แน่ใจว่าการประเมินความแปรปรวนของการคาดการณ์เหล่านั้นหมายความว่าอย่างไร Bayesian อาจจะเข้าใจได้ แต่ฉันไม่สามารถเข้าใจได้ " https://stat.ethz.ch/pipermail/r-sig-mixed-models/2010q1/003447.html ฉันรู้ว่าแพ็คเกจ glmm ของ Bayesian MCMCglmmสามารถสร้างช่วงเวลาที่น่าเชื่อถือสำหรับการคาดการณ์ เมื่อเร็ว ๆ นี้รุ่นพัฒนาของlme4on github ได้รับpredictวิธีการ แต่มันมาพร้อมกับความคิดเห็นต่อไปนี้: "@note ไม่มีตัวเลือกสำหรับการคำนวณข้อผิดพลาดมาตรฐานของการทำนายเนื่องจากเป็นการยากที่จะกำหนดวิธีการที่มีประสิทธิภาพซึ่งรวมความไม่แน่นอนในพารามิเตอร์ความแปรปรวนเราขอแนะนำ \ code {\ link {bootMer}} สำหรับงานนี้" https://github.com/lme4/lme4/blob/master/R/predict.R เหตุใดจึงยากที่จะรวมความไม่แน่นอนในเอฟเฟกต์แบบสุ่มเมื่อทำการคาดการณ์จากโมเดลผสมในการตั้งค่าที่ใช้บ่อย

10 mixed-model 

ฉันได้รับการสอนเสมอว่าเอฟเฟกต์แบบสุ่มมีอิทธิพลต่อความแปรปรวน (ข้อผิดพลาด) เท่านั้นและเอฟเฟกต์แบบคงที่จะมีอิทธิพลต่อค่าเฉลี่ยเท่านั้น แต่ฉันได้พบตัวอย่างที่ผลกระทบแบบสุ่มมีอิทธิพลต่อค่าเฉลี่ย - การประมาณค่าสัมประสิทธิ์: require(nlme) set.seed(128) n <- 100 k <- 5 cat <- as.factor(rep(1:k, each = n)) cat_i <- 1:k # intercept per kategorie x <- rep(1:n, k) sigma <- 0.2 alpha <- 0.001 y <- cat_i[cat] + alpha * x + rnorm(n*k, 0, sigma) plot(x, y) …

10 r  mixed-model  random-effects-model 

ฉันกำลังทำงานกับชุดข้อมูล หลังจากใช้เทคนิคการระบุตัวแบบบางอย่างฉันก็ออกมาพร้อมกับแบบจำลอง ARIMA (0,2,1) ผมใช้detectIOฟังก์ชั่นในแพคเกจTSAในการวิจัยที่จะตรวจพบนวัตกรรมขอบเขต (IO) ที่สังเกต 48th ของชุดข้อมูลเดิมของฉัน ฉันจะรวมค่าผิดปกตินี้ไว้ในแบบจำลองของฉันเพื่อที่ฉันจะสามารถใช้เพื่อวัตถุประสงค์ในการพยากรณ์ได้อย่างไร ฉันไม่ต้องการใช้แบบจำลอง ARIMAX เนื่องจากฉันอาจไม่สามารถคาดการณ์ได้จากสิ่งนั้นใน R มีวิธีอื่นที่ฉันสามารถทำได้หรือไม่ นี่คือค่านิยมของฉันตามลำดับ: VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models