คำถามติดแท็ก mixed-model

ฉันใช้MCMCglmmแพ็กเกจเมื่อเร็ว ๆ นี้ ฉันสับสนกับสิ่งที่อ้างถึงในเอกสารประกอบว่า R-structure และ G-structure สิ่งเหล่านี้ดูเหมือนจะเกี่ยวข้องกับเอฟเฟกต์แบบสุ่มโดยเฉพาะอย่างยิ่งการระบุพารามิเตอร์สำหรับการแจกแจงก่อนหน้านี้ แต่การอภิปรายในเอกสารประกอบดูเหมือนว่าจะถือว่าผู้อ่านรู้ว่าคำเหล่านี้คืออะไร ตัวอย่างเช่น: รายการตัวเลือกของข้อกำหนดก่อนหน้านี้มี 3 องค์ประกอบที่เป็นไปได้: R (โครงสร้าง R) G (โครงสร้าง G) และ B (ลักษณะพิเศษคงที่) ............ Priors สำหรับโครงสร้างความแปรปรวน (R และ G ) คือรายการที่มีค่าความแปรปรวน (co) (V) และระดับของพารามิเตอร์ความเชื่อ (nu) สำหรับ inverse-Wishart ... นำมาจากจากที่นี่ แก้ไข: โปรดทราบว่าฉันได้เขียนคำถามที่เหลืออีกครั้งตามความคิดเห็นจากสเตฟาน ทุกคนสามารถให้แสงสว่างในสิ่งที่โครงสร้าง R และโครงสร้าง G ในบริบทของรูปแบบส่วนประกอบความแปรปรวนแบบง่ายโดยที่ตัวทำนายเชิงเส้นคือ β0+e0ij+u0jβ0+e0ij+u0j\beta_0 + e_{0ij} + u_{0j} …

16 r  bayesian  mixed-model  lme4-nlme 

สวัสดีปรมาจารย์ด้านสถิติและวิซาร์ดการเขียนโปรแกรม R ฉันสนใจในการสร้างแบบจำลองสัตว์จับเป็นฟังก์ชั่นของสภาพแวดล้อมและวันของปี เป็นส่วนหนึ่งของการศึกษาอื่นฉันได้นับการจับกุมในเวลาประมาณ 160 วันในระยะเวลาสามปี ในแต่ละวันฉันมีอุณหภูมิ, ฝน, ความเร็วลม, ความชื้นสัมพัทธ์และอื่น ๆ เนื่องจากข้อมูลถูกรวบรวมซ้ำ ๆ กันจาก 5 แปลงเดียวกันฉันใช้พล็อตเป็นผลแบบสุ่ม ความเข้าใจของฉันคือ nlme สามารถอธิบายความสัมพันธ์ระหว่างกาลชั่วคราวในส่วนที่เหลือได้อย่างง่ายดาย แต่ไม่ได้จัดการฟังก์ชั่นลิงค์ที่ไม่ใช่แบบเกาส์เช่น lme4 (ซึ่งไม่สามารถจัดการความสัมพันธ์แบบอัตโนมัติได้) ขณะนี้ฉันคิดว่ามันอาจใช้งานแพคเกจ nlme ใน R on log (นับ) ดังนั้นวิธีแก้ปัญหาของฉันตอนนี้คือการเรียกใช้สิ่งที่ชอบ: m1 <- lme(lcount ~ AirT + I(AirT^2) + RainAmt24 + I(RainAmt24^2) + RHpct + windspeed + sin(2*pi/360*DOY) + cos(2*pi/360*DOY), random …

16 r  mixed-model  autocorrelation  bugs  panel-data 

คำอธิบายต่าง ๆ เกี่ยวกับการเลือกแบบจำลองที่มีผลต่อการสุ่มของตัวแบบเชิงเส้นผสมแนะนำให้ใช้ REML ฉันรู้ความแตกต่างระหว่าง REML และ ML ในบางระดับ แต่ฉันไม่เข้าใจว่าทำไมควรใช้ REML เพราะ ML นั้นมีความเอนเอียง ตัวอย่างเช่นการใช้ LRT กับพารามิเตอร์ความแปรปรวนของแบบจำลองการแจกแจงแบบปกติโดยใช้ ML นั้นเป็นความผิดหรือไม่? ฉันไม่เข้าใจว่าทำไมการมีความเป็นกลางจึงสำคัญกว่าการเป็น ML ในการเลือกรุ่น ฉันคิดว่าคำตอบที่ดีที่สุดต้องเป็น "เพราะการเลือกแบบจำลองทำงานได้ดีกับ REML มากกว่ากับ ML" แต่ฉันอยากรู้มากกว่านั้นเล็กน้อย ฉันไม่ได้อ่าน derivations ของ LRT และ AIC (ฉันไม่ดีพอที่จะเข้าใจพวกเขาอย่างละเอียด) แต่ถ้าใช้ REML อย่างชัดเจนในการอ้างอิงเพียงแค่รู้ว่ามันจะเพียงพอจริง ๆ (เช่น n <- 100 a <- 10 b <- 1 alpha …

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

ด้วยตัวแปรที่คาดการณ์ (P), เอฟเฟกต์แบบสุ่ม (R) และเอฟเฟกต์คงที่ (F) เราสามารถใส่เอฟเฟกต์ผสม * สองรูปแบบ ( ไวยากรณ์lme4 ): m1 = lmer( P ~ (1|R) + F ) m2 = lmer( P ~ (1+F|R) + F) ตามที่ฉันเข้าใจแล้วรุ่นที่สองคือรุ่นที่อนุญาตให้เอฟเฟกต์คงที่ในระดับที่แตกต่างกันของเอฟเฟกต์แบบสุ่ม ในการวิจัยของฉันฉันมักจะใช้แบบจำลองเอฟเฟกต์ผสมเพื่อวิเคราะห์ข้อมูลจากการทดลองที่ดำเนินการในผู้เข้าร่วมหลายคน ฉันจำลองผู้เข้าร่วมว่าเป็นเอฟเฟกต์แบบสุ่มและการทดลองเชิงทดลองเป็นเอฟเฟกต์คงที่ ฉันคิดว่ามันสมเหตุสมผลแล้วที่จะให้ระดับที่เอฟเฟกต์คงที่มีผลต่อประสิทธิภาพในการทดสอบนั้นแตกต่างกันไปตามผู้เข้าร่วม อย่างไรก็ตามฉันมีปัญหาในการจินตนาการภายใต้สถานการณ์ที่ฉันไม่ควรอนุญาตให้มีผลกระทบคงที่ในระดับที่แตกต่างกันของผลสุ่มดังนั้นคำถามของฉันคือ: เมื่อใดที่เราไม่ควรอนุญาตให้ใช้เอฟเฟกต์คงที่ในการปรับระดับเอฟเฟกต์แบบสุ่ม

16 mixed-model 

สมมติว่าเรามีแบบจำลอง 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 

ฉันได้อ่านหลายครั้งแล้วว่าเอฟเฟกต์แบบสุ่ม (BLUPs / โหมดเงื่อนไขสำหรับ, พูด, ตัวแบบ) ไม่ใช่พารามิเตอร์ของโมเดลเอฟเฟกต์แบบเชิงเส้น แต่สามารถได้มาจากค่าความแปรปรวน / ตัวแปรความแปรปรวนร่วมโดยประมาณ เช่นReinhold Kliegl และคณะ รัฐ(2011) : เอฟเฟกต์แบบสุ่มคือการเบี่ยงเบนของอาสาสมัครจาก RT เฉลี่ยที่ยิ่งใหญ่และการเบี่ยงเบนของอาสาสมัครจากพารามิเตอร์เอฟเฟกต์คงที่ พวกเขาจะถือว่าเป็นอิสระและกระจายตามปกติด้วยค่าเฉลี่ยของ 0 มันเป็นสิ่งสำคัญที่จะต้องตระหนักว่าผลกระทบแบบสุ่มเหล่านี้ไม่ได้เป็น พารามิเตอร์ของ LMM - เพียงผลต่างและความแปรปรวนร่วมของพวกเขาคือ [... ] พารามิเตอร์ LMM ร่วมกับข้อมูลของอาสาสมัครสามารถใช้เพื่อสร้าง“ การคาดการณ์” (โหมดตามเงื่อนไข) ของเอฟเฟกต์แบบสุ่มสำหรับแต่ละเรื่อง ใครสามารถให้คำอธิบายที่เข้าใจง่ายว่าพารามิเตอร์ความแปรปรวน (ร่วม) ของเอฟเฟกต์แบบสุ่มสามารถประมาณได้โดยไม่ต้องใช้ / ประเมินผลของการสุ่ม

15 mixed-model  intuition  blup 

ฉันกำลังพยายามใช้lme4::glmer()ให้พอดีกับแบบจำลองผสมแบบทวินามทั่วไป (GLMM) กับตัวแปรตามที่ไม่ใช่ไบนารี แต่เป็นตัวแปรต่อเนื่องระหว่างศูนย์ถึงหนึ่ง ใคร ๆ ก็นึกถึงตัวแปรนี้ว่าเป็นความน่าจะเป็น ในความเป็นจริงมันเป็นความน่าจะเป็นตามรายงานของมนุษย์ (ในการทดลองที่ฉันช่วยวิเคราะห์) คือมันไม่ใช่เศษส่วนแบบแยก แต่เป็นตัวแปรต่อเนื่อง glmer()สายของฉันไม่ทำงานตามที่คาดไว้ (ดูด้านล่าง) ทำไม? ฉันควรทำอย่างไร แก้ไขในภายหลัง: คำตอบของฉันด้านล่างกว้างกว่าคำถามเดิมของรุ่นนี้ดังนั้นฉันจึงแก้ไขคำถามให้กว้างขึ้นเช่นกัน รายละเอียดเพิ่มเติม เห็นได้ชัดว่ามันเป็นไปได้ที่จะใช้การถดถอยโลจิสติกไม่เพียง แต่สำหรับไบนารี DV แต่สำหรับ DV ต่อเนื่องระหว่างศูนย์และหนึ่ง แน่นอนเมื่อฉันวิ่ง glm(reportedProbability ~ a + b + c, myData, family="binomial") ฉันได้รับข้อความเตือน Warning message: In eval(expr, envir, enclos) : non-integer #successes in a binomial glm! แต่แบบที่สมเหตุสมผลมาก (ปัจจัยทั้งหมดเป็นหมวดหมู่ดังนั้นฉันสามารถตรวจสอบได้อย่างง่ายดายว่าการคาดการณ์แบบจำลองนั้นใกล้เคียงกับวิธีการข้ามวิชาและเป็นอย่างไร) …

15 r  logistic  mixed-model  glmm  lme4-nlme 

คำถาม CV ฉันกำลังพยายามให้รายละเอียดทางคณิตศาสตร์ที่ละเอียดและรัดกุมกับโมเดลเอฟเฟกต์ผสม ฉันใช้lme4แพ็กเกจใน R การแสดงทางคณิตศาสตร์ที่ถูกต้องสำหรับโมเดลของฉันคืออะไร ข้อมูลคำถามวิทยาศาสตร์และรหัส R ชุดข้อมูลของฉันประกอบด้วยสปีชีส์ในภูมิภาคต่างๆ ฉันกำลังทดสอบว่าความชุกของเผ่าพันธุ์เปลี่ยนแปลงในเวลาที่นำไปสู่การสูญพันธุ์หรือไม่ (การสูญพันธุ์ไม่จำเป็นต้องเป็นการถาวรมันสามารถเรียกคืน) หรือตามการล่าอาณานิคม lmer(prevalence ~ time + time:type + (1 + time + type:time | reg) + (1 + time + type:time | reg:spp)) ความชุกเป็นสัดส่วนของชั้นที่ถูกสปีชีส์ครอบครองในภูมิภาคหนึ่งปี เวลาเป็นตัวแปรต่อเนื่องที่บ่งบอกเวลาในการสูญพันธุ์หรือการล่าอาณานิคม มันเป็นบวกเสมอ Typeเป็นตัวแปรเด็ดขาดที่มีสองระดับ สองระดับนี้คือ "-" และ "+" เมื่อประเภทคือ - มันคือการตั้งอาณานิคม (ระดับเริ่มต้น) เมื่อชนิดคือ + จะเป็นการสูญพันธุ์ Regเป็นตัวแปรเด็ดขาดที่มีเก้าระดับซึ่งบ่งชี้ภูมิภาค Sppเป็นตัวแปรเด็ดขาด …

15 r  mixed-model  multilevel-analysis  lme4-nlme 

ในรูปแบบเอฟเฟ็กต์แบบผสมคำแนะนำคือการใช้เอฟเฟกต์แบบคงที่เพื่อประเมินพารามิเตอร์หากรวมระดับที่เป็นไปได้ทั้งหมด (เช่นทั้งชายและหญิง) ขอแนะนำให้ใช้เอฟเฟกต์แบบสุ่มเพื่ออธิบายตัวแปรหากระดับที่รวมอยู่เป็นเพียงตัวอย่างแบบสุ่มจากประชากร (ผู้ป่วยที่ลงทะเบียนจากจักรวาลของผู้ป่วยที่เป็นไปได้) และคุณต้องการประเมินค่าเฉลี่ยและความแปรปรวนของประชากรแทนวิธีการ ของระดับปัจจัยบุคคล ฉันสงสัยว่าคุณจำเป็นต้องใช้เหตุผลแบบคงที่ในลักษณะนี้หรือไม่ พิจารณาการศึกษาว่าขนาดเท้า / รองเท้าเปลี่ยนแปลงอย่างไรผ่านการพัฒนาและมีความสัมพันธ์กับการพูดความสูงน้ำหนักและอายุ SideSide{\rm Side}ชัดเจนจะต้องรวมอยู่ในรูปแบบใดบัญชีสำหรับความจริงที่ว่าการวัดในช่วงหลายปีที่ซ้อนกันอยู่ในเท้าที่กำหนดและไม่เป็นอิสระ ยิ่งกว่านั้นทางขวาและซ้ายเป็นไปได้ทั้งหมดที่มีอยู่ นอกจากนี้อาจเป็นความจริงที่ว่าสำหรับผู้เข้าร่วมที่ได้รับเท้าขวาของพวกเขามีขนาดใหญ่กว่า (หรือเล็กกว่า) จากซ้ายของพวกเขา อย่างไรก็ตามถึงแม้ว่าขนาดเท้าจะแตกต่างกันบ้างระหว่างเท้าสำหรับทุกคน แต่ก็ไม่มีเหตุผลที่จะเชื่อว่าเท้าขวาโดยเฉลี่ยจะมีขนาดใหญ่กว่าเท้าซ้าย หากพวกเขาอยู่ในตัวอย่างของคุณนี่อาจเป็นเพราะบางอย่างเกี่ยวกับพันธุศาสตร์ของคนในตัวอย่างของคุณแทนที่จะเป็นสิ่งที่อยู่ภายในถึงเท้าขวา ในที่สุดดูเหมือนว่าเป็นพารามิเตอร์ที่สร้างความรำคาญไม่ใช่สิ่งที่คุณสนใจจริงๆ sideside{\rm side} ให้ฉันสังเกตว่าฉันทำตัวอย่างนี้ขึ้น มันอาจจะไม่ดีเลย มันเป็นเพียงการทำความเข้าใจ สำหรับสิ่งที่ฉันรู้การมีเท้าขวาขนาดใหญ่และเท้าซ้ายขนาดเล็กเป็นสิ่งจำเป็นเพื่อความอยู่รอดในยุคหิน ในกรณีเช่นนี้มันจะสมเหตุสมผลหรือไม่ที่จะรวมในโมเดลเป็นเอฟเฟกต์แบบสุ่ม? อะไรคือข้อดีและข้อเสียของการใช้เอฟเฟกต์คงที่และแบบสุ่มที่นี่ sideside{\rm side}

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

การทดสอบการเปลี่ยนรูป (เรียกอีกอย่างว่าการทดสอบแบบสุ่มการทดสอบแบบสุ่มอีกครั้งหรือการทดสอบที่แน่นอน) มีประโยชน์มากและมีประโยชน์เมื่อสมมติฐานของการแจกแจงปกติที่ต้องการโดยตัวอย่างเช่นt-testไม่พบและเมื่อการเปลี่ยนแปลงของค่าโดยการจัดอันดับ การทดสอบแบบไม่มีพารามิเตอร์Mann-Whitney-U-testจะนำไปสู่การสูญเสียข้อมูลมากขึ้น อย่างไรก็ตามไม่ควรมองข้ามสมมุติฐานข้อเดียวและข้อเดียวเพียงข้อเดียวเมื่อใช้การทดสอบชนิดนี้คือข้อสมมติฐานของความสามารถแลกเปลี่ยนได้ของตัวอย่างภายใต้สมมติฐานว่าง เป็นที่น่าสังเกตว่าวิธีการแบบนี้สามารถใช้ได้เมื่อมีตัวอย่างมากกว่าสองตัวอย่างเช่นสิ่งที่นำไปใช้ในcoinแพ็คเกจ R คุณช่วยกรุณาใช้ภาษาที่เป็นรูปเป็นร่างหรือปรีชาเชิงแนวคิดในภาษาอังกฤษธรรมดาเพื่อแสดงสมมติฐานนี้ได้หรือไม่? นี่จะมีประโยชน์มากในการอธิบายปัญหาที่ถูกมองข้ามในหมู่ผู้ที่ไม่ใช่นักสถิติเช่นฉัน หมายเหตุ: จะเป็นประโยชน์อย่างมากหากพูดถึงกรณีที่การใช้การทดสอบการเปลี่ยนแปลงไม่ถือหรือไม่ถูกต้องภายใต้สมมติฐานเดียวกัน ปรับปรุง: สมมติว่าฉันมี 50 วิชาที่รวบรวมจากคลินิกท้องถิ่นในเขตของฉันโดยการสุ่ม พวกเขาถูกสุ่มให้รับยาหรือยาหลอกในอัตราส่วน 1: 1 พวกเขาทั้งหมดถูกวัดสำหรับ Paramerter 1 Par1ที่ V1 (พื้นฐาน), V2 (3 เดือนต่อมา) และ V3 (1 ปีต่อมา) วิชาทั้งหมด 50 กลุ่มสามารถแบ่งเป็น 2 กลุ่มตามคุณสมบัติ A; ค่าบวก = 20 และค่าลบ = 30 นอกจากนี้ยังสามารถจัดกลุ่มย่อยได้อีก 2 กลุ่มตามคุณลักษณะ B; B positive = …

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 

หนึ่งในปัญหาที่ฉันมีกับรุ่นที่ผสมกันคือการหาการสร้างภาพข้อมูลในรูปแบบที่สามารถลงเอยด้วยกระดาษหรือโปสเตอร์เมื่อมีผลลัพธ์แล้ว ตอนนี้ฉันกำลังทำงานกับโมเดลเอฟเฟกต์ผสมปัวซองด้วยสูตรที่มีลักษณะดังนี้: a <- glmer(counts ~ X + Y + Time + (Y + Time | Site) + offset(log(people)) ด้วยบางสิ่งที่ติดตั้งใน glm () เราสามารถใช้การทำนาย () เพื่อรับการทำนายสำหรับชุดข้อมูลใหม่ได้อย่างง่ายดายและสร้างบางสิ่งจากนั้น แต่ด้วยผลลัพธ์เช่นนี้ - คุณจะสร้างบางสิ่งเช่นพล็อตของอัตราเมื่อเวลาผ่านไปด้วยการเลื่อนจาก X (และน่าจะมีค่าที่ตั้งไว้เป็น Y) ได้อย่างไร ฉันคิดว่ามีใครสามารถทำนายขนาดพอดีได้ดีพอจากประมาณการคงที่ผลกระทบ แต่สิ่งที่เกี่ยวกับ 95% CI? มีใครอีกบ้างที่คิดว่าจะช่วยให้เห็นภาพผลลัพธ์ ผลลัพธ์ของโมเดลอยู่ด้านล่าง: Random effects: Groups Name Variance Std.Dev. Corr Site (Intercept) 5.3678e-01 0.7326513 time …

15 r  data-visualization  mixed-model 

ฉันมีคำถามเกี่ยวกับการใช้ตัวแปรการจัดกลุ่มในรูปแบบที่ไม่ใช่เชิงเส้น เนื่องจากฟังก์ชั่น nls () ไม่อนุญาตให้ใช้กับตัวแปรปัจจัยฉันพยายามดิ้นรนเพื่อหาว่าใครสามารถทดสอบผลกระทบของปัจจัยที่มีต่อแบบจำลองได้ ฉันได้รวมตัวอย่างด้านล่างที่ฉันต้องการให้พอดีกับรูปแบบการเติบโต "ตามฤดูกาล von Bertalanffy" กับการรักษาการเจริญเติบโตที่แตกต่างกัน (ส่วนใหญ่ใช้กับการเจริญเติบโตของปลา) ฉันต้องการทดสอบผลกระทบของทะเลสาบที่ปลาโตขึ้นรวมถึงอาหารที่ได้รับ (เป็นเพียงตัวอย่างเทียม) ฉันคุ้นเคยกับวิธีแก้ปัญหานี้ - การใช้แบบจำลองการทดสอบแบบทดสอบ F เปรียบเทียบกับข้อมูลที่ถูกรวบรวมเทียบกับความเหมาะสมที่แยกจากกันโดย Chen et al (1992) (ARSS - "การวิเคราะห์ผลรวมที่เหลือของกำลังสอง") กล่าวอีกนัยหนึ่งสำหรับตัวอย่างด้านล่าง ฉันคิดว่ามีวิธีที่ง่ายกว่าในการใช้ R โดยใช้ nlme () แต่ฉันพบปัญหา ก่อนอื่นเลยโดยใช้ตัวแปรการจัดกลุ่มระดับความอิสระนั้นสูงกว่าที่ฉันจะได้รับจากการปรับรุ่นแยกต่างหาก ประการที่สองฉันไม่สามารถซ้อนตัวแปรการจัดกลุ่มได้ - ฉันไม่เห็นว่าปัญหาของฉันอยู่ที่ไหน ความช่วยเหลือใด ๆ ที่ใช้ nlme หรือวิธีการอื่น ๆ นั้นได้รับการชื่นชมอย่างมาก ด้านล่างเป็นรหัสสำหรับตัวอย่างของฉันประดิษฐ์: ###seasonalized von Bertalanffy growth model soVBGF …

15 r  mixed-model  nls 

ฉันคุ้นเคยกับโมเดลมิกซ์เอฟเฟกต์ (MEM) แต่เพื่อนร่วมงานคนหนึ่งเพิ่งถามฉันว่ามันเปรียบเทียบกับโมเดลการเติบโตที่ซ่อนเร้น (LGM) อย่างไร ฉันทำ googling นิดหน่อยและดูเหมือนว่า LGM เป็นตัวแปรของการสร้างแบบจำลองสมการโครงสร้างที่ใช้กับสถานการณ์ที่ได้รับมาตรการซ้ำ ๆ ในแต่ละระดับอย่างน้อยหนึ่งเอฟเฟกต์แบบสุ่มดังนั้นเวลาจึงเป็นผลคงที่ในแบบจำลอง มิฉะนั้น MEM และ LGM ดูเหมือนจะค่อนข้างคล้ายกัน (เช่นพวกเขาทั้งคู่อนุญาตให้สำรวจโครงสร้างความแปรปรวนร่วมที่แตกต่างกัน ฯลฯ ) ฉันถูกต้องหรือไม่ว่า LGM เป็นกรณีพิเศษของ MEM หรือมีความแตกต่างระหว่างสองแนวทางที่เกี่ยวกับสมมติฐานหรือความสามารถในการประเมินทฤษฎีประเภทต่าง ๆ หรือไม่?

15 mixed-model  panel-data 

ฉันมีการทดลองที่ฉันจะพยายามทำให้เป็นนามธรรมที่นี่ ลองนึกภาพฉันโยนหินสีขาวสามใบไว้หน้าคุณและขอให้คุณตัดสินเกี่ยวกับตำแหน่งของพวกเขา ฉันบันทึกคุณสมบัติต่าง ๆ ของหินและการตอบสนองของคุณ ฉันทำสิ่งนี้กับหลาย ๆ วิชา ฉันสร้างสองรุ่น หนึ่งคือหินที่อยู่ใกล้คุณที่สุดทำนายการตอบสนองของคุณและอีกอย่างคือหินเรขาคณิตที่อยู่ตรงกลางทำนายการตอบสนองของคุณ ดังนั้นการใช้ lmer ใน RI สามารถเขียนได้ mNear <- lmer(resp ~ nearest + (1|subject), REML = FALSE) mCenter <- lmer(resp ~ center + (1|subject), REML = FALSE) อัปเดตและเปลี่ยน - เวอร์ชันตรงเพิ่มเติมที่รวมความคิดเห็นที่เป็นประโยชน์ไว้หลายประการ ฉันสามารถลอง anova(mNear, mCenter) ซึ่งไม่ถูกต้องแน่นอนเพราะพวกมันไม่ได้ซ้อนกันอยู่และฉันไม่สามารถเปรียบเทียบพวกเขาในแบบนั้นได้ ฉันคาดหวังว่า anova.mer จะโยนข้อผิดพลาด แต่ก็ไม่ได้ แต่ความเป็นไปได้ในการทำรังที่ฉันสามารถลองได้ที่นี่ไม่เป็นธรรมชาติและยังทำให้ฉันมีงบการวิเคราะห์ค่อนข้างน้อย เมื่อแบบจำลองซ้อนกันตามธรรมชาติ (เช่นกำลังสองบนเส้นตรง) การทดสอบเป็นทางเดียวเท่านั้น …

15 r  mixed-model  model-selection 

ฉันต้องการจับคู่ผลลัพธ์ของ lmer (ดูดีขึ้นจริง ๆ ) กับตัวอย่างของเล่นทวินาม ฉันอ่านบทความสั้น ๆ และเชื่อว่าฉันเข้าใจว่าเกิดอะไรขึ้น แต่เห็นได้ชัดว่าฉันทำไม่ได้ หลังจากติดขัดฉันได้แก้ไข "ความจริง" ในแง่ของเอฟเฟกต์แบบสุ่มและไปหลังจากประเมินค่าของผลกระทบคงที่เพียงอย่างเดียว ฉันรวมรหัสนี้ไว้ด้านล่าง หากต้องการดูว่าถูกต้องคุณสามารถแสดงความคิดเห็น+ Z %*% b.kและมันจะตรงกับผลลัพธ์ของ glm ปกติ ฉันหวังว่าจะยืมพลังสมองบางส่วนเพื่อหาสาเหตุที่ฉันไม่สามารถจับคู่ผลลัพธ์ของ lmer เมื่อรวมเอฟเฟกต์แบบสุ่ม # 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 <- …

15 r  mixed-model  optimization  lme4-nlme