タグ付けされた質問 「lme4-nlme」

線形混合モデルでの残差仮定の正規性からの潜在的な違反についてどの程度懸念すべきかについて質問があります。私は比較的小さなデータセットを持っており、モデルを（Rで 'lmer'を使用して）フィッティングした後、Shapiro-Wilks検定は、正規分布からの残差の大きな偏差を明らかにします。私の変数の対数変換はこれを十分に処理しません。 これにどのように対処するかについての回答の検索で、正規性のテストを実施すべきではないというアドバイスに遭遇しました（ここで同様の質問に対する回答を参照してください）。代わりに、残差と同じNのランダムな通常データのQQプロットを実行して、残差のQQプロットが著しく異なるかどうかを確認することをお勧めします。私が見つけた他のアドバイスは、推論はLMMの仮定のさまざまな違反に対して堅牢であるように思われることを示唆しているようです （こちらのブログ投稿を参照）。 私の質問 1）これがあなたのデータだった場合、LMM残差の正規性の欠如について心配しますか（以下のデータと出力を参照）？ 2）心配している場合、ログ変換後も心配していますか（ここでも、以下のデータと出力を参照してください）？ 3）上記の両方の答えが「はい」の場合、残差の非正規性にどのように対処できますか？ データと非変換分析 # load relevant library library(lme4) #--- declare the data study <- c(1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9, 10, 10, …

8 mixed-model  lme4-nlme 

さまざまな都市の個人（グループ化変数）がいくつかの予測変数にどのように応答するかに違いがあるかどうかを推定しようとしています。したがって、実際には、各都市のについて学ぶことに興味があります。しかし、これらの推定値がいくつかのグループ平均に向かって「縮小」されるように、ランダムな勾配を使用したいと思います。ββ\beta 私が使用して私のモデルを適合していますstan_glmerから、stanarm同じように入力を受け付けるパッケージglmerからlme4。 それで、質問＃1。グランドスロープを気にしない場合は、次のようにモデルを指定してもかまいません。 stan_glmer(Y ~ (V1 + V2 + V3|city)) または、最初に「固定効果」としてV1、V2、V3を含める必要がありますか？例えば stan_glmer(Y ~ V1 + V2 + V3 + (V1 + V2 + V3|city)) 2番目に、2番目のモデルが正しいオプションである場合（これは多少疑わしいです）、出力をどのように解釈すればよいですか？都市1のV1の勾配の推定値を取得するには、全体のを都市1の\ beta_ {v1}に追加しますか？その場合のエラーをどのように説明しますか？βv1βv1\beta_{v1}βv1βv1\beta_{v1} ありがとう！

7 mixed-model  lme4-nlme  stan 

2つのグループの学生の平均スコアを推定しようとしています。私は二項回帰モデルを使用しています。これtotal_ansは、回答した質問の合計であり、生徒によって異なる場合があります。 モデル1は直接推定 model <- glm(cbind(total_correct, total_ans-total_correct) ~ student_type,family= binomial, data = df) Call: glm(formula = cbind(total_correct, total_ans - total_correct) ~ student_type, family = binomial, data = df) Coefficients: (Intercept) student_group_2 -1.9684 0.2139 Degrees of Freedom: 1552 Total (i.e. Null); 1551 Residual Null Deviance: 1480 Residual Deviance: 1477 AIC: 1764 lsmeans(model,~ …

7 generalized-linear-model  lme4-nlme  random-effects-model  lsmeans 

実験的処理変数に2つのレベル（条件）がある被験者内および項目内の要因計画を考えます。をm1最大モデルとm2非ランダム相関モデルにします。 m1: y ~ condition + (condition|subject) + (condition|item) m2: y ~ condition + (1|subject) + (0 + condition|subject) + (1|item) + (0 + condition|item) Dale Barr はこの状況について次のように述べています。 編集（2018年4月20日）：Jake Westfallが指摘したように、次のステートメントはこの Webサイトの図1および2に示されているデータセットのみを参照しているようです。ただし、基調講演は変わりません。 偏差コーディング表現（条件：-0.5 vs. 0.5）m2では、被験者のランダムな切片が被験者のランダムな傾きと無相関である分布が可能です。最大モデルのみm1が、2つが相関している分布を許可します。 治療コーディング表現（条件：0対1）では、被験者のランダム切片が被験者のランダムな傾きと無相関であるこれらの分布は、無作為相関モデルを使用してフィッティングできません。治療コード表現における勾配と切片。 なぜ治療コーディングは 常に ランダムな傾きと切片の間に相関関係が生じますか？

7 r  mixed-model  lme4-nlme  categorical-encoding  machine-learning  pandas  proportion  r  irt  distributions  conditional-probability  kernel-smoothing  r  data-visualization  r  mixed-model  sas  curve-fitting  matplotlib  data-visualization  python  matplotlib  regression  logistic  simulation  sas  jmp  logit  beta-regression  regression  maximum-likelihood  posterior 

lmerTestによって提供された、Rのlme4における線形混合モデルのt検定とF検定の違いに関する質問に遭遇しました。線形混合モデルのあらゆる種類のp値を計算する際の問題（主に自由度の定義に問題があることが原因であることがわかっているため）と、主な効果の解釈に関する問題を認識しています。重要な相互作用の存在（マージナリティの原則に基づく）。 簡単に言うと、データは2つの条件（合同TRUE / FALSE）の実験からのもので、6セットのセンサーで測定されます。これは、2つの要因の組み合わせとして説明できます。 。 以下の要約出力からわかるように、t.testは有意な合同効果（p = 0.12）を示しませんが、anova出力は非常に有意な合同効果（p = 2.8e-10）を示します。適合性には2つのレベルしかないため、これはF検定が固定因子のいくつかのレベルでオムニバステストを行った結果ではありません。したがって、何がanova出力に非常に重要な結果をもたらすのかはわかりません。これは、もちろんモデルのパラメータ化に主効果を含めることに依存する、合同性を伴う強い相互作用があるという事実によるものですか？ CrossValidatedでこの質問に対する以前の回答を探しましたが、おそらくこの質問に対する最初の回答を除いて、関連するものを見つけることができませんでした。しかし、それが本当の答えを提供するのであれば、それは数学に内在しているので、私が助けようとしている人に説明できる概念的な答えを探しています。 > final.mod<-lmer(uV~1+factor(congruity)*factor(laterality)*factor(anteriority)+(1|sent.id)+(1|Subject),data=selected.data) > summary(final.mod) Linear mixed model fit by REML t-tests use Satterthwaite approximations to degrees of freedom ['lmerMod'] Formula: uV ~ 1 + factor(congruity) * factor(laterality) * factor(anteriority) + (1 | sent.id) + (1 | Subject) Data: selected.data …

7 hypothesis-testing  mixed-model  t-test  lme4-nlme  f-test