lmer混合効果モデルのランダム効果の仕様

違いは何である(1|DNA.concentration/mouse.id)とは(DNA.concentration|mouse.id)？ランダム効果の構文内の記号|と/意味は何ですか？

次の2つの持っている場合はカテゴリ要因をfしてg、その後(1|f/g)に展開(1|f) + (1|f:g)中すなわち変動、インターセプト（だ1のレベルの中のバーの左側にある）fとのレベルの間f:g（相互作用の間fとg）。これは、g 入れ子構造の ランダム効果とも呼ばれますf（順序はここで重要です）。これは、古典的なANOVAモデルで2つのランダム因子を組み合わせる従来の方法です。そのフレームワークでは、ランダム効果をネストする必要があります（つまり、f内にネストするgか、gでネストするf）。（http://glmm.wikidot.com/faqを参照してくださいネストされた因子の詳細については、このモデルを参照してください。）このモデルは、各カテゴリ変数のレベル数に関係なく、と 2つのパラメーターを推定します。ネストされたデザインの典型的なモデルになります。$\sigma^2_f$$\sigma^2_{f:g}$

対照的に、(f|g)の影響がfレベル間で異なることを指定しますg。たとえば、fレベルが「コントロール」と「治療」の2レベルのカテゴリ変数である場合、このモデルは切片（コントロール応答）とレベルごとに異なる治療効果（対照と治療反応の違い）g。各効果には独自の分散があり、デフォルトlme4では各パラメーター間の共分散に適合します。このモデルは、パラメーター、、およびを推定します。パラメーターは、制御効果と処理効果の間の共分散を指します。場合あり$\sigma^2_{g,c}$$\sigma^2_{g,t}$$\sigma_{g,c\cdot t}$$f$$n$レベルの場合、このモデルはパラメータを推定します。各処理が各ブロックで繰り返されるランダム化ブロック設計に最適です。$n(n+1)/2$

場合f多くのレベルを有し、後者の (f|g)）モデルの仕様は、多くのパラメータを用いてモデルを意味することができます。この状況を処理するための最良の方法については、進行中の議論があります（たとえば、このArXivペーパーを参照）。

代わりに(x|g)、どこxが連続（数値）入力変数であるかを検討する場合、この用語はランダム勾配モデルを指定します。x両方に関する切片（暗黙的に）と勾配は、レベル間で変化しますg（共分散項も当てはまります）。

この場合、(g|x)意味がありません-バーの右側の用語はグループ化変数であり、常にカテゴリカルと解釈されます。意味のある唯一のケースは、x連続的であるが、各レベルで複数の観測が行われx、モデリング目的でカテゴリ変数として扱いたい場合です。